StableAvatar

一句话简介：首个支持无限时长生成的端到端音频驱动数字人视频开源框架。

网站介绍

StableAvatar 是由复旦大学联合微软亚洲研究院、西安交通大学及腾讯混元团队共同研发并开源的 AI 视频生成技术框架。该项目主要用于音频驱动的虚拟人视频生成，用户只需提供一张人物参考图片和一段音频，即可生成口型同步、表情自然且身份一致的说话或唱歌视频。

作为学术界与工业界联合推出的开源项目，StableAvatar 主要面向 AI 开发者、影视后期制作人员、虚拟主播运营者以及在线教育等内容创作人群，致力于解决传统模型在生成长视频时容易出现的面部变形、色彩漂移和音画不同步等行业痛点。

核心功能/栏目

1. 无限时长视频生成：突破传统模型 15 秒的时长限制，支持生成任意长度的连续视频，且画面质量不衰减。

2. 音频驱动口型同步：精准提取音频特征，实现人物口型、面部表情与语音内容的高度自然匹配。

3. 身份一致性保持：在长视频生成过程中，始终保持人物面部特征和身体比例的一致性，避免身份漂移。

4. 免后处理直接输出：生成的视频无需借助第三方换脸工具或面部修复模型，端到端直接输出高质量画面。

5. 多场景形象支持：支持全半身人物、多人物场景以及卡通形象等多种虚拟角色的动画生成。

推荐优势/特点

1. 技术架构领先：采用创新的时间步感知音频适配器和动态加权滑动窗口策略，从根本上解决了长视频生成的误差累积问题。

2. 资源占用更低：基于轻量级基座模型开发，相比同类大参数模型，显存占用大幅减少，推理速度显著提升。

3. 完全开源免费：提供完整的训练代码和推理代码，开发者可以自由下载、本地部署并进行二次开发。

4. 音画同步极佳：独创的音频原生引导机制，利用模型自身的动态预测作为引导信号，大幅提升唇形同步的自然度。

使用方法/入口指引

1. 访问项目主页：通过浏览器访问 StableAvatar 的 GitHub 仓库或官方项目主页，获取最新的代码和文档说明。

2. 环境配置与安装：根据官方文档，配置 Python 环境并安装 PyTorch 及相关依赖库，支持主流 NVIDIA 显卡环境。

3. 下载模型权重：使用 Hugging Face 命令行工具或手动下载预训练的模型权重文件至本地指定目录。

4. 运行生成任务：通过命令行脚本或部署好的 WebUI 界面，上传参考人物图片和目标音频文件，调整提示词和相关参数后点击生成，即可获取数字人视频。

同类/相关网站推荐

1. SadTalker：经典的音频驱动人像动画生成开源项目，适合生成短时间的照片说话视频。

2. HeyGen：知名的商业化 AI 数字人视频生成平台，提供丰富的数字人模板和便捷的在线编辑功能。

3. D-ID：专注于照片说话和数字人视频创建的在线平台，支持多语言文本转语音及口型同步。

4. Wan2.1：StableAvatar 所基于的底层视频生成基座模型，由阿里云通义实验室开源，支持高质量的文生视频和图生视频。