SadTalker：用一张授权照片和录音，做简短说话头像

一段讲解已经录好，手头只有一张自己的肖像，想做一个简短的说话头像，SadTalker 是一个仍可研究的开源选择。它把单张肖像和音频转换为说话视频，重点在面部表情与头部运动。它不是近期新发布的全身视频模型，也不能从一张照片恢复人物曾经真实说过的话。

官方README给出的基本输入是源图与driven_audio，输出保存为MP4。正文依据完整说明、最佳实践与许可证整理，没有运行推理。项目的核心任务并不要求先克隆声音；你可以直接使用自己的录音，或另一个已获授权的配音文件。可选TTS集成也不等于SadTalker本身拥有所有声音合成能力。

最先该选的其实是画面范围。crop 根据面部关键点裁切，适合只需要头像的小窗讲解；resize 缩放整张图，官方提示它更适合证件照式构图，不适合完整人物图；full 则处理裁出的人脸区域，再贴回原图。如果是半身照或有背景的海报，应先看full流程，而不是把整个人强行缩到面部区域。

官方最佳实践把同一幅完整人物图分别放进crop、resize和full作对照，并指出full可结合still保留原始头部姿态。这里的“完整画面”指脸部处理后仍保留原图范围，不代表生成全身动作。原本静止的手臂和身体，不会因此变成经过完整表演控制的动作视频。官方对照页中的原例图片来自社区用户，使用其肖像素材需另行确认授权。

可以从一个三十秒以内的自我介绍试起：本人清晰正面照、一条已经剪好停顿的录音、固定背景。先生成普通头像，重点检查停顿时嘴是否收住、讲话时头动是否过大、裁剪是否切掉额头。若头像晃动影响说明内容，再测试still；若想保留半身构图，换full并检查贴回边缘。这个任务是编辑示例，未执行，也不是对指定时长效果的保证。

expression_scale 控制表情运动强度，GFPGAN或RestoreFormer属于脸部增强，Real-ESRGAN可用于背景增强。增强可能让细节更锐利，却不保证保留原始人脸的每个特征。第一次应先确认不增强的基础结果，再决定是否值得加后处理，避免把口型问题和修复模型带来的变化混在一起。

输入范围也需要收窄。官方最佳实践强调真人或类似真人的肖像，不能把二次元角色效果当作既定能力。环境说明沿用较早的Python、PyTorch与CUDA组合，安装前应评估依赖兼容；本地代码可以离线运行，但首次准备权重、模型与依赖仍需要下载，外部在线演示的可用性也不能由仓库链接保证。

许可证已更新为Apache 2.0并移除项目原有非商业限制，第三方组件仍有例外。旧版依赖列表、增强模型、源照片与录音的权利要分别检查，不能因为README允许项目使用，就拿不相关人物的照片做商业代言。输出应按实际用途说明为合成内容，并确认人物与声音授权覆盖相应发布场景。

适合SadTalker的交付是简短、正面、可人工检查的讲解头像。想要完整身体表演、准确情绪调度或长期稳定角色，应另行评估更完整的制作管线。

资料：README、模式与最佳实践、许可证。