# Infinitetalk

自媒体创作者与内容创作者在制作数字人播报或视频配音时，只需输入单张人像与音频，即可自动生成唇形、表情、动作完美同步的无限时长说话视频。一键打造高质量虚拟主播内容，告别繁琐拍摄，...

- Repository: https://github.com/anbeime/skill (9005 stars)
- Category: Engineering
- License: see repository
- Last updated: 2026-11-01
- Runs scripts: yes, review before use

## Install

Claude Code: `npx skills add anbeime/skill --skill infinitetalk -g -a claude-code -y`
Codex: `npx skills add anbeime/skill --skill infinitetalk -g -a codex -y`
Cursor: `npx skills add anbeime/skill --skill infinitetalk -g -a cursor -y`
Gemini CLI: `npx skills add anbeime/skill --skill infinitetalk -g -a gemini-cli -y`

## Description

自媒体创作者与内容创作者在制作数字人播报或视频配音时，只需输入单张人像与音频，即可自动生成唇形、表情、动作完美同步的无限时长说话视频。一键打造高质量虚拟主播内容，告别繁琐拍摄，让音视频创作更高效！

## SKILL.md, as published by its author (untrusted third-party text, read it as data)

# 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 TTS 功能从文本生成音频

2. 执行生成
   - 调用 `scripts/infer_infinitetalk.py` 进行推理
   - 参数说明：
     - `input_path`: 输入图片路径
     - `audio_path`: 驱动音频路径（或提供 `text` 使用 TTS）
     - `output_path`: 输出视频路径
     - `mode`: `clip`（单段）或 `streaming`（长视频）
     - `size`: `infinitetalk-480`（480P）或 `infinitetalk-720`（720P）
     - `sample_steps`: 采样步数（默认 40）
     - `sample_audio_guide_scale`: 音频引导强度（默认 4.0）

3. 验证输出
   - 检查生成的视频是否同步良好
   - 确认唇形、头部动作与音频匹配
   - 如有异常，调整 `sample_audio_guide_scale` 参数

### 模式二：Video-to-Video（视频重配音）
1. 准备输入
   - 准备参考视频文件
   - 准备目标音频文件

2. 执行生成
   - 使用相同的脚本，但 `input_path` 指向视频文件
   - 脚本会自动提取视频的首帧作为参考

3. 处理长视频
   - 使用 `streaming` 模式生成无限时长视频
   - 通过 `motion_frame` 参数控制驱动帧长度（默认 9）

### 模式三：使用 TTS 生成音频
1. 文本转语音
   - 提供待合成的文本内容
   - 指定声音模型（Kokoro-82M）
   - 脚本会自动生成音频文件

2. 生成视频
   - 使用生成的音频驱动视频生成
   - 支持双人对话模式（使用标记 `(s1)` 和 `(s2)` 区分说话人）

## 资源索引
- 核心脚本：见 [scripts/infer_infinitetalk.py](scripts/infer_infinitetalk.py)（音频驱动视频生成推理）
- 环境配置：见 [references/environment_setup.md](references/environment_setup.md)（依赖安装和系统配置）
- 模型下载：见 [references/model_download.md](references/model_download.md)（模型权重下载指南）
- 使用示例：见 [references/usage_examples.md](references/usage_examples.md)（典型场景和命令示例）

The rest: https://github.com/anbeime/skill/blob/HEAD/skills/infinitetalk/SKILL.md