SadTalker

一张照片+一段语音，生成逼真说话数字人视频

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署数字人3D 🍴 复刻 2701 🐛 待处理 671 👀 关注 164

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 14192

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，完全免费，需自行部署使用。

项目预览

项目数据

分类数字人3D

开发团队OpenTalker

官网地址https://sadtalker.github.io

GitHubhttps://github.com/OpenTalker/SadTalker

定价模式🏷️完全免费

价格说明开源项目，完全免费，需自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型audio-driven-talking-face,cvpr2023,deep-fake,deep-fakes,image-animation,talking-face,talking-face-generation,talking-head,talking-heads

GitHub 星标★ 14192

上线时间2022-11-23 00:00:00

代码更新2024-06-26

仓库体积92.2 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

SadTalker 是一个基于 CVPR 2023 论文的开源数字人项目，核心功能是输入一张静态人像照片和一段语音音频，生成逼真的说话视频。它通过学习 3D 运动系数，将音频中的情感和口型同步到人脸图像上，使生成的数字人不仅口型准确，还带有自然的面部表情和头部姿态。项目解决了传统单图驱动数字人表情僵硬、口型不同步的问题，支持风格化输出（如真实、卡通、素描等），并提供 WebUI、命令行和 API 等多种使用方式。其核心能力包括音频驱动的口型生成、头部运动预测、表情迁移，以及高分辨率视频输出。SadTalker 在 GitHub 上有超过 1.4 万星标，是数字人领域的热门开源方案，适合二次开发和集成。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 14192

技术标签

audio-driven-talking-face cvpr2023 image-animation talking-face-generation talking-head

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 20 分钟部署方式：本地安装 6 步

环境要求

可用的 Python 运行环境（项目为 Python 实现）
Linux/Mac 终端或 Windows 命令行环境
首次运行需联网自动安装 requirements 依赖
若需语音合成能力，需额外安装 TTS
Docker / WSL 用户请参考官方 docs/install.md 额外教程

安装与启动步骤

1获取项目代码

从 GitHub 克隆 SadTalker 仓库到本地，然后进入项目目录。若网络受限可自行配置代理。
```
git clone https://github.com/OpenTalker/SadTalker.git
cd SadTalker
```
2安装依赖并启动

Linux/Mac 执行脚本会自动安装 requirements 并启动 WebUI；Windows 则直接双击 webui.bat 同样自动装依赖。
```
bash webui.sh
```
3安装 TTS（可选）

只有需要 TTS 语音合成高级功能时才需要手动安装，普通口型生成可跳过这一步。
```
pip install tts
```
4手动启动 WebUI

依赖装好后也可直接启动网页界面，在浏览器中进行图片+音频的交互式生成。
```
python app_sadtalker.py
```
5命令行生成视频

用默认配置驱动单张人像说话，enhancer 参数可提升画质；结果保存在 results 下的时间戳目录。
```
python inference.py --driven_audio <audio.wav> --source_image <video.mp4 or picture.png> --enhancer gfpgan
```

6全身/完整图像模式

加 --still 生成更自然的全身视频，配合 --preprocess full 做完整图像预处理，并指定结果输出目录。

python inference.py --driven_audio <audio.wav> --source_image <video.mp4 or picture.png> --result_dir <a file to store results> --still --preprocess full --enhancer gfpgan

关键配置

配置项	必填	说明	示例
`--driven_audio`	是	驱动用的语音音频文件路径	`<audio.wav>`
`--source_image`	是	输入的人像图片或视频文件路径	`<video.mp4 or picture.png>`
`--result_dir`	否	指定结果输出目录，不填则用默认 results 时间戳目录	`<a file to store results>`
`--still`	否	开启后生成更自然的全身视频效果	`--still`
`--preprocess`	否	预处理模式，full 表示使用完整图像	`full`
`--enhancer`	否	人脸增强器，用于提升生成视频画质	`gfpgan`

如何确认成功

浏览器打开 WebUI 页面可正常操作，或在 results/$SOME_TIMESTAMP/ 目录下看到生成的 .mp4 文件即成功。

常见问题

Q：Windows 上怎么启动最简单？

A：直接双击项目目录下的 webui.bat 即可，脚本会自动安装依赖并启动 WebUI。

Q：Linux 或 Mac 上如何启动？

A：在项目目录执行 bash webui.sh，会自动安装依赖并启动 WebUI。

Q：生成的结果保存在哪里？

A：默认保存在 results/$SOME_TIMESTAMP/*.mp4，可用 --result_dir 自定义输出目录。

Q：必须安装 TTS 吗？

A：不是必须的。README 说明只有使用 TTS 相关高级功能时才需要通过 pip install tts 手动安装。

Q：想在 Docker 或 WSL 里跑怎么办？

A：README 提供了额外教程，请查看项目内 docs/install.md 的说明。

注意事项

首次运行会自动下载依赖和模型，耗时较长且需保证网络通畅。
Docker、WSL 等环境的安装方式另见官方 docs/install.md。
更多参数示例和调优建议请阅读官方 docs/best_practice.md。
README 提供了中文 Windows 视频教程与日文教程链接，遇到问题可参考。

核心亮点

口型同步精准，基于3D运动系数，自然度远超传统2D方法
支持多种风格（真实/卡通/素描），适配不同应用场景
提供WebUI和API，上手快，便于集成到现有系统

不足之处

生成视频分辨率有限，高分辨率输出需额外处理
对输入人脸角度和遮挡敏感，侧面或遮挡时效果下降
文档/社区待观察

适用场景

短视频制作：快速生成虚拟主播或人物讲解视频
在线教育：将课件文本转为带口型动画的虚拟教师
游戏/影视预演：用角色立绘生成对话动画

替代项目

Wav2Lip、GeneFace、Audio2Face

上一篇：NeRFFaceSpeech_Code

下一篇：FaceTalk