ditto-talkinghead

音频驱动实时说话头像，运动空间扩散精准可控

Ditto 是一个面向实时可控说话人头像合成的运动空间扩散模型，发表于 ACM MM 2025。它解决的是传统音频驱动肖像动画中动作僵硬、可控性差、实时性不足的问题。核心能力包括：将扩散模型应用于运动空间而非像素空间，显著提升生成效率；支持通过文本或动作序列精细控制头部姿态、表情和眼神；实现音频与运动特征的精准对齐，生成自然逼真的说话视频。项目提供完整训练和推理代码，支持自定义数据集，适合研究者和开发者快速上手。

开源 free 视频生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 894

维护状态低维护

是否开源是

定价模式 free

项目数据

分类视频生成

开发团队antgroup

所属国家

官网地址https://digital-avatar.github.io/ai/Ditto

GitHubhttps://github.com/antgroup/ditto-talkinghead

定价模式free

价格说明开源项目，Apache-2.0许可证，可免费使用和修改，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型audio-driven-portrait-animations,ditto,generative-model,human-animation,talking-face-generation,talking-head,video-generation

GitHub 星标★ 894

30天Star增速

HF 下载量

上线时间2025-01-10 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

运动空间扩散设计，相比像素级扩散大幅降低计算量，实现实时生成
支持细粒度动作控制（头部姿态、表情、眼神），可编辑性强
代码结构清晰，提供预训练模型，便于复现和二次开发

不足之处

文档/社区待观察
对输入音频质量敏感，嘈杂环境下效果可能下降

适用场景

虚拟主播和数字人直播，需要实时音频驱动头像
视频会议中的虚拟形象增强，提升远程沟通表现力
影视预可视化或游戏NPC对话，快速生成角色说话动画

替代项目

SadTalker、Wav2Lip、MuseTalk

项目介绍

ditto-talkinghead 是数字人3D领域的开源项目，由 antgroup 开发，2025 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（894）位列前 30%，在数字人3D分类中处于中上游。

近 45 天，它的 GitHub 星标从 855 增加到 894，净增 39。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。Apache-2.0许可证，可免费使用和修改，无付费版本。

它主要面向的使用场景是：虚拟主播和数字人直播，需要实时音频驱动头像。同类可对比的替代方案包括 SadTalker、Wav2Lip、MuseTalk。

上一篇：DIMO

下一篇：float