InfiniteTalk - 音频驱动视频生成
任务目标
- 本 Skill 用于：将音频（语音）转换为同步的说话人视频，支持从单张图片或现有视频生成音频驱动的说话视频
- 能力包含：
- Image-to-Video：从单张图片生成音频驱动的说话视频
- Video-to-Video：对现有视频进行音频驱动的重配音
- 多维度同步：唇形、头部运动、身体姿态、面部表情与音频精准对齐
- 无限时长：支持无限制时长的视频生成
- 低显存适配：支持量化、模型卸载等显存优化方案
- 触发条件：当需要生成音频驱动的数字人视频、视频配音、虚拟主播内容时使用
前置准备
- 模型下载：在使用本 Skill 前，必须先下载所需的模型权重文件，具体步骤见 references/model_download.md
- 硬件要求：
- GPU：推荐使用 16GB+ 显存的 GPU（可使用量化方案适配低显存设备）
- 内存：建议 32GB+ 系统内存
- 磁盘空间：至少 50GB 可用空间（模型权重约 30GB）
- 环境配置：详细依赖安装见 references/environment_setup.md
操作步骤
模式一：Image-to-Video（图片生成视频）
-
准备输入
- 确保有一张清晰的人脸图片作为输入
- 准备音频文件（支持 mp3、wav 等格式）
- 可选：使用 TTS 功能从文本生成音频
-
执行生成
- 调用
scripts/infer_infinitetalk.py进行推理 - 参数说明：
input_path: 输入图片路径audio_path: 驱动音频路径（或提供text使用 TTS）output_path: 输出视频路径mode:clip（单段）或streaming（长视频）size:infinitetalk-480（480P）或infinitetalk-720（720P）sample_steps: 采样步数（默认 40）sample_audio_guide_scale: 音频引导强度（默认 4.0）
- 调用
-
验证输出
- 检查生成的视频是否同步良好
- 确认唇形、头部动作与音频匹配
- 如有异常，调整
sample_audio_guide_scale参数
模式二：Video-to-Video（视频重配音）
-
准备输入
- 准备参考视频文件
- 准备目标音频文件
-
执行生成
- 使用相同的脚本，但
input_path指向视频文件 - 脚本会自动提取视频的首帧作为参考
- 使用相同的脚本，但
-
处理长视频
- 使用
streaming模式生成无限时长视频 - 通过
motion_frame参数控制驱动帧长度（默认 9）
- 使用
模式三：使用 TTS 生成音频
-
文本转语音
- 提供待合成的文本内容
- 指定声音模型（Kokoro-82M）
- 脚本会自动生成音频文件
-
生成视频
- 使用生成的音频驱动视频生成
- 支持双人对话模式（使用标记
(s1)和(s2)区分说话人）
资源索引
- 核心脚本：见 scripts/infer_infinitetalk.py（音频驱动视频生成推理）
- 环境配置：见 references/environment_setup.md（依赖安装和系统配置）
- 模型下载：见 references/model_download.md（模型权重下载指南）
- 使用示例：见 references/usage_examples.md（典型场景和命令示例）
注意事项
- 模型权重较大（约 30GB），首次使用需要提前下载
- 建议使用高显存 GPU（16GB+），低显存设备可使用量化方案
- 输入音频建议采样率为 16000Hz，脚本会自动进行响度归一化
- 输入图片/视频应包含清晰的人脸区域
- 生成速度取决于 GPU 性能，480P 分辨率下生成 1 秒视频约需 5-10 秒
- 如遇到显存不足错误，可尝试：
- 降低分辨率（使用
size=infinitetalk-480） - 启用量化（添加
--quant int8参数） - 启用模型卸载（添加
--offload_model true）
- 降低分辨率（使用
使用示例
- 基础图片生成视频：
bash
python scripts/infer_infinitetalk.py \ --input_path ./input.jpg \ --audio_path ./audio.wav \ --output_path ./output.mp4 \ --size infinitetalk-480 \ --mode clip - 长视频生成：
bash
python scripts/infer_infinitetalk.py \ --input_path ./input.jpg \ --audio_path ./long_audio.wav \ --output_path ./long_output.mp4 \ --size infinitetalk-480 \ --mode streaming - 使用 TTS 生成：
bash
python scripts/infer_infinitetalk.py \ --input_path ./input.jpg \ --text "你好，今天天气真不错" \ --output_path ./tts_output.mp4 \ --size infinitetalk-480
