Wav2Lip：研究视频配音口型时，先划清旧模型的非商用范围

给人物视频换一条配音，最明显的违和往往是嘴与声音对不上。Wav2Lip 是经典的音频驱动口型同步项目，仍适合研究“视频加新音频怎样得到同步结果”。但开头必须讲清：本稿介绍仓库里的旧研究代码与权重，它们只限个人、研究与非商业用途，不能直接用于客户广告或商业数字人交付。

现在官方仓库的README前半部分介绍sync商业服务和 lipsync-2 API，后半部分才是2020年论文的非商业开源版本。两者的模型、费用、部署方式和许可不同。看到同一个仓库出现新的API示例，不能推定旧权重随之升级、转为商用或获得新模型画质。

旧版推理的输入很具体：指定checkpoint、包含人脸的视频或图片，以及音频文件；默认输出到 results/result_voice.mp4。音频可来自WAV、MP3或含音轨的视频，FFmpeg负责相关处理。模型修改嘴部呈现，不负责写讲稿、翻译或生成目标人物的声音，配音应事先准备好。

一个合适的个人研究任务，是用自己录制的正面短视频与另一条本人录音比较口型。先只取一个没有转场的小段，确认全程能检测到脸，再生成结果，观察闭口音、较大张口和停顿。这个任务是编辑示例，未执行，不表示已验证某种语言的精度。输入人物或声音属于他人时，也仍要确认允许合成与发布。

官方建议最值得先查的是人脸框。下巴没有进入处理范围，容易让嘴部边界显得突兀，可以通过pads增加底部留白。若出现嘴巴位置错开甚至双嘴，文档提示可能与人脸检测的过度平滑有关，可比较nosmooth设置。源视频分辨率也不是越高越好；模型在较小人脸上训练，官方建议必要时降低分辨率试验。

源码进一步说明，静态图片可单独设置fps，而视频输入应尊重原视频帧率；crop可缩小检测区域，适合画面有多个人脸时明确目标。固定box只是检测失败时的最后手段，并且更适合脸部不大移动的片段。这些参数影响的是裁剪与处理位置，不会自动解决遮挡、极端侧脸或输入画面里的所有问题。

权重也有取舍：普通Wav2Lip偏重同步，带GAN版本偏重视觉质量，官方提醒两者并非后一种在所有指标上都更好。正确做法是固定同一段输入比较，而非只按文件名选“更高级”的版本。对于近距离高清成片，生成的嘴部细节还应和未修改区域一起检查，避免缩略图过关、放大后接缝明显。

环境说明沿用Python3.6与较早依赖，准备权重还包括人脸检测模型。本稿阅读了完整README和推理脚本的参数处理，没有实际安装、推理或评测耗时。官方演示网站此次取证未成功返回，因此也不把该旧在线演示写成目前随时可用的入口。

如果用途是研究同步与裁剪问题，Wav2Lip仍有教学价值；需要商业使用，应另行评估作者的商业授权或当前服务，按其现行型号、计费与条款办理，不能拿开源可下载代替授权。

资料：完整README与用途限制、推理参数源码。