照片会说话？开源AI数字人工具SadTalker环境搭建和使用教程

一张包含人像的照片和一段语音，如何让照片中的人物开口说话？

一段包含人物视频和一段语音，如何给视频配上语音，并使得视频中的人物口型和语音匹配？

如果你遇到以上两种场景，那么本教程或许可以帮到你，目前开源免费的主流嘴音同步AI工具主要有以下几个：

1. Wav2Lip
   github开源地址： https://github.com/Rudrabha/Wav2Lip
   只支持语音驱动视频嘴型同步， 效果一般，可能需要自己去训练模型才可以得到比较好的效果
   还提供了一个在线试用版的，选用sync1.6.0模型效果非常不错，打开此地址在线试用
2. Easy-Wav2Lip
   github开源地址：https://github.com/anothermartz/Easy-Wav2Lip
   基于Wav2Lip做了改进，效果和速度有所提升，但个人感觉效果还是一般
3. AniPortrait
   github 开源地址：https://github.com/Zejun-Yang/AniPortrait
   腾讯开源的，支持自驱动和脸部重演（类似于换脸），音频驱动（照片开口说话），效果还不错
4. video-retalking
   github开源地址：https://github.com/OpenTalker/video-retalking
   只支持语音驱动视频嘴型同步，但效果感觉比 Wav2Lip系列的要好
5. SadTalker
   github开源地址： https://github.com/OpenTalker/SadTalker
   与video-retalking效果差不多，两者用到的技术基本一致，但是支持图片输入
6. SadTalker-Video-Lip-Sync
   github开源地址：https://github.com/Zz-ww/SadTalker-Video-Lip-Sync
   基于SadTalker对视频做了补帧等优化，效果更加自然。作者做了个比较，感兴趣的可以移步github看下比较结果

从易用性来讲，上述的提到的这几种嘴型同步工具，都只能通过源码搭建环境去运行使用，还是比较复杂的，有的提供了Stable Diffusion插件，对SD熟悉的小伙伴可以自行搜索安装

从生成效果上来讲，对比下来我个人觉得SadTalker效果还比较不错，而且同时支持视频和图片输入。所以本篇主要对SadTalker的环境搭建和使用做一个详细介绍。

觉得搭建环境麻烦的小伙伴可以下载我的整合包，点击【一键启动.bat】去运行，按照使用说明去修改运行参数。整合包获取方式如下：

点击打开我的个人博客网站扫码或者搜索关注公众号树袋熊AI，并回复关键词【SadTalker】获取

基础软件安装

显卡驱动、Git、ffmpeg、Anaconda安装这些我就不再详细介绍了，可以参考Rope源码运行环境搭建这篇博客去安装这些基础软件。另外如果是window10/11的小伙伴可以使用 winget 在终端安装这些软件更加方便，可以在终端通过 “winget search 软件名字” 去搜素，复制id后通过 “winget install 软件id” 去安装。

源码下载及运行环境搭建

打开Power Shell终端，按照以下步骤运行，注意windows下不要拷贝带#的注释

# 1. 下载源码，clone失败的话，可以去github下载压缩包解压代替这一步
git clone https://github.com/OpenTalker/SadTalker.git
# 2. 进入源码文件夹
cd SadTalker 
# 3，创建conda虚拟环境
conda create -n sadtalker python=3.8
# 4，激活虚拟环境
conda activate sadtalker
# 5. 安装torch，一个深度学习框架
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
# 6. 安装软件运行所需的依赖库
pip install -r requirements.txt

模型下载及放置

可以去github下载checkpoints模型放置到checkpoints文件夹中；下载weights模型放置到gfgan/weights文件夹中。也可以去我的百度网盘上下载打包好的，下载完成后模型列表如下：

运行SadTalker源码

打开Power Shell终端运行，注意windows下不要拷贝带#的注释

# 1. 进入源码文件夹
cd SadTalker 
# 2，进入虚拟环境
conda activate sadtalker
# 3. 运行代码进行推理, examples中放置了测试资源, 全身视频，可以加--still参数
python inference.py --driven_audio ./examples/driven_audio/chinese_poem2.wav --source_image ./examples/source_image/full_body_2.png  --result_dir ./examples/ref_video --still --preprocess full --enhancer gfpgan

主要参数解释：

• –driven_audio：音频的路径位置，具体到某个音频，wav格式
• –source_image：视频或者图片路径，具体到某个图像或者视频
• –result_dir：结果视频生成的位置，具体到某个文件夹

运行成功后会出现以下界面

生成效果如下：

点击打开我的个人博客网站扫码或者搜索关注公众号树袋熊AI，并回复关键词【SadTalker】获取整合包