Ai让照片说话教学！EchoMimic图片转视频

今天带大家玩的是大阿里蚂蚁团队开源的新项目——EchoMimic。

项目官网：https://badtobest.github.io/echomimic.html

Github：https://github.com/BadToBest/EchoMimic

Hugging Face：https://huggingface.co/BadToBest/EchoMimic

arXiv技术论文：https://arxiv.org/html/2407.08136

EchoMimic可以分析音频的波形，分析出音频的情绪，然后通过整合图像面部的特征点，生成出更为逼真、自然的动态视频。用人类的话来总结就是——牛逼

EchoMimic的视频生成，依赖cuda的加速，请确保你的电脑有独立显卡，并且已经安装cuda。

按Ctrl+R，呼出运行窗口，输入「cmd」，输入「nvidia-smi」

右上角能看到cuda的版本代表可以正常运行。

下一步，解压整合包到任意目录，请确保解压路径下没有中文。

打开目录下的「运行.bat」文件，等待程序释放相关环境，完成后会在你的浏览器自动打开EchoMimic的webui界面。

使用起来非常简单，在此处上传图像，接着上传一段音频

点击「Configuration」展开配置选项。

用width和height，控制生成视频的宽高；

如果你在生成的过程中，出现了脸部错位，或是唇形没有覆盖到的情况，请尝试调整这几个选项：

CFG用于评估生成的视频与图片的一致性程度，如果你生成的视频与图像大相径庭，请尝试提高CFG的数值

Step迭代步数，将直接影响你生成视频的质量，但同时也会非常显著地增加生成的时间，默认为30，如果你生成的视频一直没问题，可以尝试降低步数来缩短生成的时间，反复调整直到最合适的步数。

FPS帧数推荐设置为24~60这个范围。

最后，点击生成即可。

OK，本次的教程就到这里，关注AI吧，我会持续进行ChatTTS语音克隆模型的版本更新，下次再见，拜拜。