Hallo

Hallo 是一个研究性质的开源项目，由复旦大学、百度、ETH Zurich、南京大学的研究者共同完成。它解决的问题很具体：给定一张人像照片和一段音频，合成出人物跟着音频说话的视频，嘴形、表情和头部动作都由音频驱动。项目在 GitHub 上以 MIT 协议开放，代码、模型权重和推理脚本都能拿到。

主要功能

核心是「分层音频驱动的视觉合成」：先把音频特征和图像特征对齐，再逐层生成面部动作。仓库里提供了推理入口脚本，准备好预训练模型和「图片 + 音频」素材对之后就能跑。官方还放出了经典电影片段的演示，用剧照配台词生成说话片段。社区在此基础上做了 Gradio 演示、WebUI、ComfyUI 插件、Windows 版和 Docker 镜像，也有扩展版本支持普通话。

适合谁

适合想研究音频驱动人像动画的研究生、算法工程师，以及愿意折腾本地环境的开发者。它不是点开网页就能用的消费级产品，需要自己配环境、下模型、跑命令。如果你只是想快速做一个数字人视频，社区打包的 WebUI 或 ComfyUI 插件会更省事。

费用与限制

代码和模型免费，但硬件门槛不低：官方给出的系统要求是 Ubuntu 20.04/22.04 加 CUDA 12.1，测试用的是 A100 显卡。安装依赖 conda、pip 和 ffmpeg，预训练模型要从 HuggingFace 仓库克隆。项目页面没有提供在线托管服务，想用就得本地部署。