infinitetalk

将音频驱动生成或重配音视频，同步唇形与头部姿态，支持长时长。

把音频驱动成说话视频：从单张图片或现有视频生成与语音精确对齐的唇形、头部和身体动作，支持长时长输出。当需要做虚拟主播、视频配音或给已有视频重新配音时特别有用。特点是多维度同步精度高并支持低显存优化，能做无限时长的音频驱动视频生成。

# 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