community/infinite-talk/image-to-video

InfiniteTalk 简介

使用 InfiniteTalk，您可以将一张人像照片与一段音频转换为自然、精准对口型的说话视频。在 MultiTalk 模型与 WanVideo 2.1 I2V GGUF 主干的强大支持下，它能够生成富于表现力的面部动画，同时保持人物身份与风格一致，非常适合用于制作社交视频片段、配音或虚拟形象更新。

InfiniteTalk 可以将静态照片转换为由语音驱动的富有表现力的人像视频，专为希望实现流畅、精准口型同步的创作者、内容策划者及开发者设计。生成的片段在保留人物特征的同时，实现自然的表情与声画同步。

InfiniteTalk 核心模型

Wan2.1-MultiTalk（GGUF，InfiniteTalk 版本）

MultiTalk 的 InfiniteTalk 版本可根据语音音频驱动唇部与下颌的发音动作，实现高度同步的说话人头部动画。它可追踪自然语音节奏，支持富有表现力的表情输出，同时保持面部稳定性。了解模型来源可参考 MeiGen-AI/MultiTalk。

WanVideo 2.1 I2V 14B（GGUF）

WanVideo 2.1 I2V 14B 是核心图像到视频生成模型，能够在保持人物外貌、姿态与光照一致的同时，为人像添加自然动画。模型针对 GGUF 格式进行了优化，以兼顾兼容性与质量。推荐权重可在 city96/Wan2.1-I2V-14B-480P-gguf 获取。

Wav2Vec2（Tencent GameMate）

该音频模型可从原始语音中提取稳健的语音特征。当这些特征传递至 MultiTalk 进行动画引导时，可提升语音同步与韵律自然度。该模型公开可用，地址为 TencentGameMate/chinese-wav2vec2-base。

如何使用 InfiniteTalk

必需输入

您需要提供三类关键输入：通过 Image 输入人像图像，通过 Audio 输入音频文件，并通过 Prompt 控制文本提示。这三者使 InfiniteTalk 能够锁定图像身份、捕捉语音动态并应用风格化指令，从而生成相应的说话视频。

可选输入与控制

您可以通过 Width 和 Height 输入调整视频分辨率，从而在画质与性能之间取得平衡。参数如 Seed、Steps 与 Shift 可提供额外的动画生成控制，而 Frames Per Second（FPS） 则用于调节播放流畅度。

输出

InfiniteTalk 输出结合人像与语音的视频。视频输出的帧率由 Frames Per Second 决定，例如默认 25 帧/秒，以确保流畅一致的播放体验。最终结果是与声音和人像身份精准匹配的自然说话视频片段。

最佳实践

若希望获得最佳效果，请在 Image 输入中使用光线均匀且清晰的人像图像，在 Audio 输入中提供干净的语音录音。Prompt 建议保持简洁，用于描述语气或动作风格。初次使用时可采用标准的 Width、Height 值及适中的 Steps 进行快速预览，当效果满意后再微调参数以获得更高质量的结果。