EchoMimic

EchoMimic 是蚂蚁集团支付宝终端技术部推出的肖像动画生成项目，解决的是「让一张静态人像开口说话」这件事。给它一段音频和一张人脸照片，它就能生成口型与表情随声音变化的视频。项目以论文加开源代码的形式发布，代码托管在 GitHub，模型权重放在 HuggingFace 和 ModelScope 上。

驱动方式

和只用音频或只用面部关键点的做法不同，EchoMimic 把两种信号放在一起训练，因此有三种用法：只给音频、只给关键点，或者给音频再挑几个关键点做局部控制。页面上的示例按中文语音、英文语音、唱歌、关键点驱动、音频加选定关键点分了几组，也放了在 HDTF 数据集上的评测视频和第三方复现结果。

系列与版本

页面把项目分成两代：EchoMimicV1 是这套可编辑关键点条件控制的肖像动画，EchoMimicV2 转向更简化、带半身的人体动画。两代各有独立的 GitHub 仓库，引用信息显示论文发布于 2024 年，arXiv 编号 2407.08136。

适合谁

它面向的是能跑模型的研究者和开发者，不是点开网页就能用的成品工具。想实际生成视频，需要自己按仓库说明配置环境、下载权重再推理，对显卡和部署能力有要求。普通用户如果只是想给照片配个说话视频，用现成的数字人产品会更省事。