实测 SadTalker：AIGCPanel 照片开口说话

一张人像照片加一段音频，照片里的人就开口说话了。SadTalker 干的就是这件事：腾讯 AI Lab、西安交通大学等团队做的对口型模型，论文发在 CVPR 2023（arXiv 可查）。这几天我把它装进 AIGCPanel 在本地跑通了一遍。会说话的照片，正在把"拍一条视频"变成"丢进去一段素材"。

先交代实测结果：1 秒语音，纯 CPU 约 7 分钟出片

这次实测没上任何取巧配置：Apple M5 芯片、32GB 内存的 Mac，没有独立显卡，纯 CPU 推理。输入是一张 5.8MB 的人像照片和一段 1 秒的中文语音，参数全默认——256px 输出、裁剪模式、不开人脸增强。

抽帧检查了一下：嘴部处于说话状态，眼镜、发型都保住了，人脸身份没有跑偏；256px 下细节略糊，属于这个分辨率的正常水平。CPU 上 7 分钟换 1 秒视频听着劝退，但这是没显卡时的兜底状态——模型包标称门槛是 GPU 4G+ 显存、8G+ 内存，有 N 卡速度快得多，CPU 档位的意义在于没显卡也能出活。

🖼 原理一句话讲得清：照片 + 音频 = 说话视频

这是 SadTalker 官方 README 给出的公式。拆开看：先把照片拟合成 3D 人脸系数，把"表情"和"头部姿态"拆开来，再让音频驱动表情一路生成。相比早期直接把嘴型贴上去的做法，这种 3D 系数路线的头部动作更自然——实测视频里说话时有轻微的点头和摆头，幅度不大，但确实有。

🎛 参数全部摊开给你，不记参数名也能玩

• 五种预处理模式，从怼脸特写（crop）到全身出镜（full）都有；
• 输出 256px / 512px 两档，姿势风格 0~100 控制动作幅度，随机种子让同一条结果可复现；
• 全身模式叠上 GFPGAN 人脸增强，细节肉眼可见地变干净，下图是官方前后对比。

模型包把这些选项全部做成了表单，在 AIGCPanel 里点选就行。

🚀 换到 AIGCPanel，到底省了什么

自己跑 SadTalker 源码，要建 conda 环境、装 ffmpeg、手动下载几 GB 权重、记一串命令行参数；在 AIGCPanel 里是四步：导入模型、选图选音频、表单调参、等视频出炉。说句公道话：AIGCPanel 首次同样要下载权重文件，省掉的是配环境那一整套流程，不是省模型本身。

门槛方面，模型包标称 GPU 4G+、内存 8G+，支持指定 GPU 序号，多卡机器各用各的；任务机制是有活儿时自动拉起、空闲就退出，不会一直挂着个大程序占显存。从官网下载页装好软件，在模型页拿到 SadTalker 一键运行包导入即可。官方对模型管理的描述是"本地模型一键导入、启动/停止、实时日志查看、参数配置"，和实际体验一致。

环境劝退了太多想玩 AI 的人，可真正该比拼的从来是创意，不是依赖。

🎬 装进 AIGCPanel 之后还能怎么玩

• 口型模型同台竞技：AIGCPanel 的数字人视频合成还支持 MuseTalk、LatentSync、Wav2Lip、Heygem，SadTalker 是其中"单图驱动"路线的代表。形象是静态的、配音来驱动，讲解播报类内容特别合适。

• 配音就地解决：驱动 SadTalker 需要一段音频，AIGCPanel 内置语音合成与克隆，念稿、克隆音色不用再找别的工具；
• WebUI 扩展：社区还做了 stable-diffusion-webui 扩展，想脱离 AIGCPanel 单独玩，也有成熟的图形化入口。

📜 许可、隐私与它的边界

• Apache 2.0 许可，非商用限制早已移除，个人项目和商用项目都能用；
• 官方声明代码推理过程完全离线、不采集任何个人信息，只有首次初始化需要联网下载权重；
• 它也有短板：人脸越正、光线越好效果越稳，侧脸、遮挡、分辨率过低的照片会明显打折；
• 首次生成前跑一遍模型初始化，人脸增强与 3D 拟合模型都预下载好，第一次跑任务不用干等。

想让照片开口，路径已经很短了：下载 AIGCPanel，模型页拿包，导入，四步出片。

下一条刷屏的视频，起点可能只是一张照片和一段早就录好的音频。

你最想让哪张照片开口说话？评论区把它"安排"上。