如何 10 分钟跑通音频驱动说话人生成：SadTalker 完整安装教程

如何 10 分钟跑通音频驱动说话人生成：SadTalker 完整安装教程

【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（CVPR 2023）只需要一张静态图片和一段音频，就能生成嘴型、表情与音频同步的说话视频。这篇 SadTalker 安装教程按"最快跑通"的顺序带你走完环境搭建、模型下载、首次运行与参数调优，并附一份常见报错的避坑清单，照着操作即可让任意一张人物照片开口说话。

3 条命令准备好代码与模型

• 先克隆仓库并创建独立 Python 环境。Python 3.8 是官方充分测试的版本，换成 3.9+ 容易撞依赖冲突：

git clone https://gitcode.com/GitHub_Trending/sa/SadTalker cd SadTalker conda create -n sadtalker python=3.8 conda activate sadtalker pip install -r requirements.txt conda install ffmpeg

• ffmpeg 是命令行音视频处理工具，最终 mp4 视频由它编码输出，必须装好并在系统 PATH 中。
• 接着运行仓库自带的下载脚本，它会自动建好 checkpoints/ 与 gfpgan/weights/ 目录，拉取 256/512 两档面部模型和修复模型，已存在的文件会自动跳过：

bash scripts/download_models.sh

• Windows 用户若没有 bash，可直接双击webui.bat，首次运行会自动完成环境安装。

一张照片加一段音频，就能做说话人视频

• 核心用法就一句话：一张人物照片 + 一段音频 = 一段说话视频。照片无需任何预处理，正面、光线正常的真人照片效果最好。

图：适合作为 SadTalker 说话人动画输入的静态肖像，面部清晰、正面朝向

• 仓库自带 16 个示例音频（examples/driven_audio/ 目录）和 30 多张示例图片，够你反复验证效果。
• 它不只支持头像特写，也支持全身照：面部区域生成动画后贴回原图，人物姿态保持自然。

🔧 选对 PyTorch 版本，环境就成功了一半

• SadTalker 对 PyTorch 版本比较敏感，Linux + CUDA 用户建议直接装 README 对应的 cu113 版本：

pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

• macOS / Apple Silicon 用户装最新版 torch 即可，但必须单独补装 dlib（人脸关键点定位库），否则报 "Illegal Hardware Error"：pip install dlib
• 各平台（Windows 原生、WSL、Docker）的完整安装说明见 docs/install.md。

运行第一条生成命令，验证环境

• 命令行入口是 inference.py，用仓库自带的示例音频和图片跑一遍，是最直接的环境验证：

python inference.py --driven_audio examples/driven_audio/chinese_news.wav \ --source_image examples/source_image/art_2.png

• 成功后视频会存在 results/<时间戳>/ 目录下的 .mp4 文件里，看到视频出现就说明 SadTalker 安装完成。
• 更习惯图形界面可以执行bash webui.sh（Windows 双击 webui.bat），启动 Gradio 网页版，在浏览器里上传图片音频点按钮生成。
• 纯 CPU 机器加--cpu参数可运行，但 10 秒音频要渲染几分钟，只建议用来验证环境。

⚡ 进阶调优：3 个参数让效果更自然

• 全身照生成建议加--still --preprocess full：still 模式让头部姿态与图片保持一致、减少摇头晃脑，full 模式只动画面部再贴回原图：

python inference.py --driven_audio examples/driven_audio/imagine.wav \ --source_image examples/source_image/full_body_1.png \ --still --preprocess full --enhancer gfpgan

• --enhancer gfpgan会在生成后用 GFPGAN（人脸修复网络）回补面部细节；--size 512画质比 256 更细，但显存占用明显上升，6GB 显存建议先跑 256。
• --expression_scale控制表情幅度，默认 1.0，调到 2.0 表情更生动；完整参数表在 docs/best_practice.md。
• 音频只支持 wav 或 mp3 两种格式，其他格式会在解码时直接报错，先用 ffmpeg 转一下即可。

避坑清单：4 个最高频的报错

• ffmpeg is not recognized：Windows 确认 ffmpeg 已加入 PATH，Linux 执行conda install ffmpeg。
• CUDA out of memory：512 + 修复模型大约需要 6GB 显存，先降到--size 256，再设置环境变量缓解碎片化：

export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128

• 提示 model file might be corrupted：属于下载中断，重跑一遍bash scripts/download_models.sh即可断点补齐。
• FileNotFoundError: similarity_Lm3D_all.mat：checkpoints 目录没放到仓库根目录下，对照 README 的目录结构检查一遍。

仍遇到其他报错，先翻官方 FAQ，绝大多数问题里面都有对应条目。

【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