LivePortrait 人像动画:一条命令出片

LivePortrait 人像动画:一条命令出片【免费下载链接】LivePortraitBring portraits to life!项目地址: https://gitcode.com/GitHub_Trending/li/LivePortraitLivePortrait 是一款开源人像动画工具:给它一张静态照片和一段驱动视频,它就能让照片里的人像眨眼、微笑、转头,输出可直接使用的动画视频。做表情包、数字人口播素材、视频二创的开发者与内容创作者都适用,照片和驱动视频全程在本地运行,不出本机。最低成本是一条python inference.py命令,或打开本地网页界面点几下按钮,单张 NVIDIA 显卡即可运行。先判断再安装:3 类场景与 1 个硬件门槛这个项目覆盖三类任务,先确认你要的是哪一种,再看硬件是否达标。照片变动画(i2v):一张人像照片加一段驱动视频,输出会动的肖像。最常用的入门路径。人像视频编辑(v2v):源输入换成视频,每一帧都被驱动动作带动,适合对已有镜头做表情、动作的再编辑。动物模式:猫狗照片生成表情动画,可用仓库自带的.pkl动作模板(如wink.pkl、laugh.pkl)驱动。一条硬性边界:动物模式仅在 Linux/Windows NVIDIA GPU 上经过测试,且需先编译 X-Pose 的自定义算子;Apple Silicon 的 Mac 只支持人类模式,且官方提示速度约为 RTX 4090 的 1/20。从环境到第一个动画:四步跑通四步以内从克隆仓库拿到第一个成片,每步都有可验证的产出。第一步:装好依赖目标:一个带 FFmpeg 和依赖包的 Python 3.10 环境。git clone https://gitcode.com/GitHub_Trending/li/LivePortrait cd LivePortrait conda create -n LivePortrait python3.10 conda activate LivePortrait pip install -r requirements.txt # Apple Silicon Mac 改用 requirements_macOS.txt验证:执行ffmpeg -version能打印版本号。该脚本强依赖 FFmpeg 做视频拼接,缺失会直接报ImportError。第二步:下载预训练权重目标:权重落进pretrained_weights/目录。# 若缺少 huggingface-cli,先执行 pip install -U huggingface_hub[cli] huggingface-cli download KlingTeam/LivePortrait --local-dir pretrained_weights --exclude *.git* README.md docs下载慢可在前面加export HF_ENDPOINThttps://hf-mirror.com走镜像。验证:目录下出现insightface、liveportrait、liveportrait_animals三个子目录,且liveportrait/base_models/下有 4 个.pth文件,结构对照 assets/docs/directory-structure.md。第三步:跑第一次推理python inference.py # 不带参数,直接使用仓库自带示例素材验证:animations/目录出现s6--d0_concat.mp4,视频由驱动视频、源照片、生成结果三段拼接,一眼可对比。第四步:换成自己的素材# -s 源照片或视频,-d 驱动视频/图片/.pkl 动作模板 python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d0.mp4验证:输出文件改名为s9--d0_concat.mp4。驱动侧也可以传.pkl模板(如assets/examples/driving/d5.pkl),能跳过逐帧人脸检测、更快,也避免交出驱动者的真实视频。零代码玩法:Gradio 界面的操作逻辑不想敲命令时,执行python app.py启动网页界面,默认端口 8890,浏览器访问http://127.0.0.1:8890(可用--server_port改端口)。动画区:左选源,右选驱动,点 Animate 出片左列是源素材(Source Image / Source Video 两个页签),右列是驱动素材(Driving Video / Driving Image / Driving Pickle 三个页签),中间是 stitching、relative motion、paste-back 等开关。输入区下方有一排一键示例,点一下自动填充素材并直接开始生成。点击 Animate后,右侧给出两路结果:原图空间的动画视频,以及并排拼接的对比视频。单图驱动:没有视频素材也能跑把右列切到 Driving Image 页签,用一张带表情的照片即可驱动动画,无需任何视频。源与驱动都是图片时,输出就是一张动起来的图。重定向区:滑块直调表情与姿态界面下方是 Retargeting 区:上传一张人像后,眼睛开合、嘴唇开合、微笑、眨眼、眉毛、眼球方向、头部 pitch/yaw/roll 等十几个滑块都能直接拖,每次拖动都实时重新渲染,不用重跑完整推理。关键参数怎么调:4 个最影响效果的开关全部命令行参数定义在 src/config/argument_config.py,python inference.py -h可列出。其中对成片影响最大的有 4 个:driving_multiplierdriving_option(强度与方向):driving_option在expression-friendly(偏表情)与pose-friendly(偏头部姿态)间二选一;driving_multiplier是 0~2 的强度系数,仅在 expression-friendly 下生效。表情偏弱时提到 1.5~1.75(动物示例命令用的就是 1.75)。animation_region(驱动区域):exp/pose/lip/eyes/all五选一。只要口型或只要转头就别用默认all,比如--animation_region lip只驱动嘴部。flag_crop_driving_video(自动裁剪):驱动视频不是 1:1 时打开它,程序自动裁到人脸区域;裁得不理想再用scale_crop_driving_video(缩放)和vy_ratio_crop_driving_video(上下偏移)微调,或手动裁好。flag_stitching(拼接开关):头部运动小时保持默认 True;头部运动大或源是动物时关掉(动物示例命令带--no_flag_stitching)。故障排除:4 个高频问题的现象、原因与一步解决启动即报FFmpeg is not installed现象:inference.py和app.py一启动就抛ImportError。原因:系统没装 FFmpeg,或没进 PATH。解决:装好 FFmpeg(含ffmpeg与ffprobe),用ffmpeg -version验证;安装方式见 assets/docs/how-to-install-ffmpeg.md。输出视频出现黑块现象:动画视频里出现明显黑色或色块区域。原因:半精度(FP16)推理与当前 GPU 不兼容。解决:把flag_use_half_precision设为False(命令行传--no_flag_use_half_precision),原参数重跑。自拍驱动视频出片发虚、人脸位置不对现象:结果人脸发虚、漂移或裁切偏移。原因:驱动视频不满足官方标准——1:1 宽高比、画面聚焦头部、肩部少动、首帧为中性表情的正面脸。解决:加--flag_crop_driving_video自动裁剪重跑,最小复现:python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d13.mp4 --flag_crop_driving_video;仍不理想就调--scale_crop_driving_video与--vy_ratio_crop_driving_video微调,或手动裁成 1:1。动物模式报缺少自定义算子现象:跑inference_animals.py时因MultiScaleDeformableAttention相关算子缺失而报错。原因:X-Pose 的自定义算子未编译(Linux/Windows NVIDIA 上需一次)。解决:cd src/utils/dependencies/XPose/models/UniPose/ops python setup.py build install编译完成后重跑,例如python inference_animals.py -s assets/examples/source/s39.jpg -d assets/examples/driving/wink.pkl --driving_multiplier 1.75 --no_flag_stitching,成功会在animations/生成s39--wink_concat.mp4。能跑多快:硬件与性能参考官方仓库提供了模块级推理耗时(assets/docs/speed.md),结合 README 说明整理如下:硬件人类模式动物模式预期表现RTX 4090可行可行5 个模块合计约 15ms/帧(官方数据,torch.compile 下);首跑约 1 分钟预热,之后提速 20%~30%其他 NVIDIA 消费级显卡可行可行慢于 4090,官方未公布数据,量级为每秒若干帧(推测)Apple Silicon Mac可行不支持约为 RTX 4090 的 1/20 速度(官方说明)仅 CPU实验性不支持--flag_force_cpu官方标注 WIP,速度很慢(推测)注意:torch.compile 加速在 Windows 和 macOS 上不受支持。下一步深入入口:readme_zh_cn.md(完整中文文档)与 src/live_portrait_pipeline.py(核心推理逻辑)。现在就挑一张你相册里的人像照,配示例驱动视频assets/examples/driving/d0.mp4跑一条命令,再根据成片效果微调--driving_multiplier。【免费下载链接】LivePortraitBring portraits to life!项目地址: https://gitcode.com/GitHub_Trending/li/LivePortrait创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考