SadTalker 照片说话视频生成完整指南：让一张肖像开口说话-平芜编程栈

SadTalker 照片说话视频生成完整指南：让一张肖像开口说话

【免费下载链接】SadTalker[CVPR 2023] SadTalker：Learning Realistic 3D Motion Coefficients for Stylized Audio-Driven Single Image Talking Face Animation项目地址: https://gitcode.com/GitHub_Trending/sa/SadTalker

SadTalker 是一款音频驱动的说话头部视频生成开源工具：传入一张人像照片和一段音频，它会自动生成口型、表情与头部动作同步的说话视频。本文按真实操作顺序，带你走完"备料 → 部署 → 选模式 → 调画质 → 排错"全流程，重点讲清三种预处理模式的取舍和最容易翻车的几个坑。

先说结论：它能做什么、不能做什么

核心玩法就一句话：

一张人像图片 + 一段音频 = 会说话的头部视频

稳定出活的场景：

正面、光线均匀的真实人像
与真人相像的写实风格插画 / AI 生成图
需要配音的虚拟形象、口播素材、课程讲解

别指望的场景：

纯二次元、强卡通化角色（官方明确：当前模型只作用于真实人像或接近真人的人像）
多人同框、侧脸过大的图片

输入音频只吃wav / mp3两种格式，其它格式请先转码。

备料：一张图和一段音频

选图：正面、清晰、像真人

图片质量直接决定成片下限，按这几条挑：

正面朝向：脸部正对镜头，避免大角度侧脸
光线均匀：无强逆光、无大面积阴影遮挡五官
分辨率足够：脸越大越清楚越好

下面这类写实人像就是理想输入：

风格化但接近真人的图同样能用，例如这种 AI 生成写实人像：

音频：干净就行

只支持wav / mp3
尽量无背景噪声、无杂音
项目里自带示例音频在examples/driven_audio/，可直接拿来试跑

十分钟跑起来：两条部署路径

先装好三样依赖：Python 3.8、Git、FFmpeg，再按平台走对应步骤。

Windows：最省事，双击项目根目录的webui.bat，依赖会自动安装，随后浏览器自动打开界面。

Linux / macOS：克隆仓库后执行bash webui.sh，脚本会拉取依赖并启动 WebUI。

git clone https://gitcode.com/GitHub_Trending/sa/SadTalker cd SadTalker bash webui.sh

模型权重不会自动下载，首次使用需执行一键脚本补齐：

bash scripts/download_models.sh

嫌本地折腾？docs/install.md里有 macOS、WSL、Docker 的额外方案，Docker 一条命令即可起容器。

选模式：一个参数决定视频形态

--preprocess参数控制最终视频的"取景方式"，三选一：

crop（默认，最稳）：只生成脸部区域，表情与头部动作最自然，适合绝大多数人像
full（全身）：自动处理人脸区域再贴回原图，适合人物占满画面的全身照；务必搭配--still保持原图头部姿态，效果更自然
resize（证件照）：把整张图缩放到固定分辨率，适合证件照这类小图；对全身人像会翻车

全身模式输入示例（人物完整入镜）：

一句话决策：拿不准就用 crop；想保留完整身体用 full 并加--still；小图证件用 resize。

调画质：四个明显改变效果的参数

这些参数是"效果分水岭"，按需叠加：

参数	作用	建议
`--enhancer gfpgan`	面部修复增强	默认开启，脸部细节明显更清晰
`--background_enhancer realesrgan`	整帧视频超分	追求整体分辨率时再加
`--expression_scale`	表情强度	大于 1.0 让表情更夸张，小于 1.0 更收敛
`--still`	固定头部姿态	全身 / 静帧场景必加，减少头部乱动

命令行最小可运行示例：

python inference.py \ --driven_audio 你的音频.wav \ --source_image 你的人像.png \ --enhancer gfpgan

结果默认保存在results/下，按时间戳建子目录。完整参数表见docs/best_practice.md。

避坑清单：六个高频报错提前解决

出问题时先对照这里，能省掉大量排查时间：

ffmpeg is not recognized→ 没装好 FFmpeg。Linux 用conda install ffmpeg，macOS 用brew install ffmpeg，Windows 确保其在%PATH%中
FileNotFoundError ... similarity_Lm3D_all.mat→ 模型没下全，重新跑scripts/download_models.sh
unexpected EOF ... file might be corrupted→ gfpgan 离线包缺失，单独把gfpgan/权重补齐
CUDA out of memory→ 设置显存分配策略后再跑（Windows 用set、Linux 用export）：PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128
ModuleNotFoundError: No module named 'ai'→ 多半是epoch_20.pth下载不完整，核对文件大小
Error while decoding stream ... mp3float→ 音频格式不对，确保是 wav 或 mp3