/infinitetalk

name: infinitetalk
description: 自媒体创作者与内容创作者在制作数字人播报或视频配音时，只需输入单张人像与音频，即可自动生成唇形、表情、动作完美同步的无限时长说话视频。一键打造高质量虚拟主播内容，告别繁琐拍摄，让音视频创作更高效！
dependency:
  python: |
    opencv-python>=4.9.0.80
    diffusers>=0.31.0
    transformers>=4.49.0
    tokenizers>=0.20.3
    accelerate>=1.1.1
    tqdm
    imageio
    easydict
    ftfy
    dashscope
    imageio-ffmpeg
    scikit-image
    loguru
    gradio>=5.0.0
    numpy>=1.23.5,<2
    xfuser>=0.4.1
    pyloudnorm
    optimum-quanto==0.2.6
    scenedetect
    moviepy==1.0.3
    decord
    torch>=2.0.0
    torchvision
    torchaudio
    einops
    soundfile
  system: |
    # 创建模型权重目录
    mkdir -p weights/Wan2.1-I2V-14B-480P
    mkdir -p weights/chinese-wav2vec2-base
    mkdir -p weights/InfiniteTalk/single
    mkdir -p weights/Kokoro-82M

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](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](references/environment_setup.md)

操作步骤

模式一：Image-to-Video（图片生成视频）

1. 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

2. 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）

3. 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）

1. 准备输入

• 准备参考视频文件
• 准备目标音频文件

2. 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

3. 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）

模式三：使用 TTS 生成音频

1. 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

2. 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](scripts/infer_infinitetalk.py)（音频驱动视频生成推理）
• 环境配置：见 [references/environment_setup.md](references/environment_setup.md)（依赖安装和系统配置）
• 模型下载：见 [references/model_download.md](references/model_download.md)（模型权重下载指南）
• 使用示例：见 [references/usage_examples.md](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`）

使用示例

• 基础图片生成视频：

  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：

  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：

  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