凌晨两点，我让照片里的人开口说话了

上个月接了个项目，需要做一段产品介绍视频。

客户要求：真人出镜，说普通话，语速适中，配合PPT讲解。

我找了外包，报价8000块。

我说让我想想。

然后我打开电脑，花了三天，用一张照片和一段录音，自己搞定了。

那些年被”内容政策”支配的恐惧

在用这个方案之前，我试过很多在线工具。

HeyGen、D-ID、Synthesia，名字你可能都听说过。

效果嘛，还行。但有几个问题让我一直很难受：

第一，贵。 HeyGen最便宜的套餐，生成几分钟视频就烧完了，想批量做内容？洗洗睡。

第二，审核。 你上传的素材，你输入的文本，全在人家服务器上存着。有一次我想做一个角色扮演场景的视频，直接给我提示”内容不符合使用条款”。我到现在也没搞清楚哪里不符合。

第三，效果差强人意。 嘴在动，但感觉整个人是”僵”的。头不动，眼睛不眨，肩膀纹丝不动。看着像一个会说话的照片，而不是一个活人。

所以我一直在找本地化的方案。

在GitHub上翻到的宝贝

某天刷GitHub trending，看到一个叫 InfiniteTalk 的项目。

作者是MeiGen-AI，底层基于Wan2.1——就是那个让视频生成圈炸锅的Wan系列模型。

README里有几个词戳中了我：

“Unlimited-length talking video generation”
“lip sync + head movements + body posture + facial expressions”
“runs locally”

好，就它了。

第一次跑出来的效果，我愣了三秒钟

配置环境，下模型，写ComfyUI工作流。

整个过程说长不长，说短不短，大概折腾了一个下午。

然后我用了一张普通人像照片，配上一段30秒的录音，点了生成。

嘴在动——这个我预期到了。

但让我愣住的是：头也在动，眼睛也在眨，肩膀也有轻微的起伏。

不是那种机械式的左右摇摆，是那种说话时很自然的、配合呼吸节奏的微动。

第一反应：这是AI生成的？

为什么它能做到其他工具做不到的事

我研究了一下技术原理，说人话给你听。

传统的对口型工具（SadTalker、MuseTalk这些）的思路是：只改嘴。

找到视频里的嘴巴区域，根据音频把嘴换掉，其他部分保持原样。

这个思路有个根本问题：说话的时候，只有嘴在动，是不正常的。

正常人说话，头会有小幅度的前倾后仰，眼睛会配合情绪，肩膀会随呼吸起伏，手势也会动。

InfiniteTalk的思路不一样。它不是在改视频，它是在重新生成视频。

输入一张人像 + 一段音频，它会从0开始生成一段视频。在生成过程中，音频不只是驱动嘴唇，而是驱动整个身体的动态——包括头部姿态、面部表情、身体幅度。

结果就是：嘴型准，身体也自然。

论文里有个数据：InfiniteTalk的口型误差是1.8mm，MuseTalk是2.7mm，SadTalker是3.2mm。

这个差距，肉眼是能感受到的。

“无限长度”是什么意思？

默认每段生成81帧，约3秒钟。

但这个3秒不是上限，而是一个单元。

InfiniteTalk有个叫”sparse-frame context window”的机制：每生成一段视频，它会把末尾几帧作为参考，传递给下一段生成，保证视频的连续性和一致性。

换句话说：你可以让它一段一段地生成，自动无缝拼接，理论上没有长度限制。

我测了一段3分钟的视频，整体一致性非常好，人物没有”漂移”，背景没有抖动，声音和口型始终对齐。

再看一段效果：

配置要求

不需要顶级显卡。

• • 480p视频：6GB显存以上就能跑
• • 720p：建议16GB以上

我用的是RTX 3090，生成一段3秒的480p视频，大约需要30-60秒，不算快，但完全可以接受。

用到的模型文件：

• • Wan2.1_I2V_14B_FusionX-Q4_0.gguf（主模型，量化版，显存更友好）
• • wan2.1_infiniteTalk_single_fp16.safetensors（InfiniteTalk专用patch）
• • wav2vec2-chinese-base_fp16.safetensors（中文音频编码器）
• • 配套VAE、CLIP、LoRA若干

全都可以从Hugging Face或者国内镜像下载。

一键启动，不用写代码

我们在 ComfyUI 工作流的基础上，封装了一个 Gradio 可视化界面。

打开方式：双击 01-run.bat，浏览器自动跳转 http://localhost:7860。

左边上传：

• • 一张人像照片
• • 一段音频（支持WAV/MP3）
• • 输入文字描述（不影响内容，影响动态风格）

右边输出：生成好的MP4视频，直接播放下载。

高级设置里可以调分辨率（256-1024）、帧数、采样步数。普通用户保持默认就好。

说到这里，你可能想问一个问题

这套系统完全本地运行。

没有云端服务器，没有使用日志，没有内容审核。

你用什么素材，生成什么内容，输入什么音频——

你的电脑你做主。

至于你想用它来做什么……

你知道的。

最后

那个项目最终交付了。

客户很满意，说效果比他预期的专业。

他问我是找了哪家制作公司。

我说：我自己做的，在家用电脑跑的。

他停顿了两秒，然后说：

“所以你现在能帮我做第二期吗？”

能。

一键生成：https://xueshu.fun/7247