SadTalker 实战教程：AI 驱动口型同步全流程

你是不是也刷到过那种“照片说话”的短视频，嘴型居然还能对上声音？别以为这是哪种高级深度伪造，很多其实就是用的 SadTalker。

这个工具不需要你有深厚的机器学习背景，准备好一张照片、一段音频，稍微调调参数，就能把图“复活”。

我自己在跑完之后也觉得：难的不是用它，而是踩坑全在环境搭建上。

video-retalking wav2lip sadtalker区别：

1 第一步：环境准备，踩坑集中区

如果你是 Windows 用户，建议用 Anaconda 新建环境，避免污染系统。

conda create -n sadtalker python=3.9
conda activate sadtalker

接着克隆仓库：

git clone https://github.com/OpenTalker/SadTalker.git
cd SadTalker
pip install -r requirements.txt

要注意几个版本问题：

• torch 推荐用 1.13 或以上
• ffmpeg 是硬性依赖，没装别想跑
• 如果报 xformers 错误，直接注释掉对应模块即可（没啥大用）

2 第二步：准备素材，照片+音频

照片要求：

• 越清晰越好，最好 512x512 正面照
• 不要复杂背景，最好是纯色

音频要求：

• 格式必须是 .wav（用 Audacity 转一下）
• 时长尽量控制在 10~30 秒内
• 中文也支持，但要有清晰断句（不然嘴型很怪）

我之前用的是一段配音工具生成的音频，配合自己头像，效果惊艳。

3 第三步：命令行运行，推荐参数配置

核心命令长这样：

python inference.py --driven_audio path/to/audio.wav \
                    --source_image path/to/image.jpg \
                    --result_dir ./results \
                    --preprocess full \
                    --enhancer gfpgan \
                    --still

解释下几个关键参数：

• --preprocess：推荐用 full，对齐最精准
• --enhancer：用 gfpgan 会自动修复脸部细节
• --still：强烈建议加上，不然人头会晃得像打摆子

别问我怎么知道的，试了十几次才发现这一行不加，出来的视频跟惊悚片似的……

4 第四步：效果优化建议

视频生成后你可能觉得嘴对得还不够准，有几个办法可以改善：

1. 换音频：有些音频节奏太快，SadTalker 对不上
2. 换图：嘴部闭合、清晰度低的图都不太好用
3. 后期微调：可以导入到 video-retalking 做二次修正 👉 延伸阅读：video-retalking_wav2lip_sadtalker__geneface对比

SadTalker 尤其适合以下场景：

• 做 AI 虚拟人项目（省视频成本）
• 内容创作者生成“口播”视频
• 想让老照片开口讲述故事（文案+感情加持）

不过它也有缺点：

• 嘴型对得不如 Wav2Lip 准确（但视觉冲击力更强）
• 模型运行慢，5秒音频渲染大约1分钟

所以，如果你追求画面表现而不是“口型精度”，SadTalker 是绝对首选。

• ‌要速度‌：Wav2Lip怼正脸，别嫌画质烂
• ‌要演活‌：SadTalker摇脑袋，记得裁掉炸毛发型‌
• ‌要高清‌：VideoReTalking硬刚，备好消防栓给显卡降温