EchoMimic

EchoMimic 是蚂蚁集团支付宝终端技术部开源的一套人像动画模型，论文被 AAAI 2025 接收。它要解决的问题是：给一张人物照片和一段音频，让照片里的人按音频的节奏动嘴、做表情，生成一段说话或唱歌的视频。除了纯音频驱动，它也能用关键点驱动，或者把音频和选定的关键点混着用，控制头部姿态和表情幅度。

主要功能

仓库里提供了几种推理脚本，分别对应音频驱动、音频加姿态驱动等组合方式，还带一个 webgui.py 的网页界面，可以在浏览器里选图、传音频、出片。官方放出的示例覆盖中文、英文和唱歌三类音频，也有纯关键点驱动的样例。项目另附 ComfyUI 接入，方便在 ComfyUI 工作流里调用。

• 音频驱动：照片加音频直接生成说话视频
• 关键点驱动：手动指定面部关键点控制表情和姿态
• 音频加选定关键点：两者混合控制
• 加速模型：官方称推理速度可提升约 10 倍

适合谁

更适合有显卡、会配 Python 环境的研究者和开发者。安装要走 conda 建环境、pip 装依赖、再单独下载 ffmpeg-static 并设置路径，不是装个软件点开就能用的东西。想快速看效果，可以去 Hugging Face 或 ModelScope 上的在线 demo 试，那边有现成的 GPU 环境。

费用与限制

代码以 Apache-2.0 协议开源，可以免费获取和修改。但它对硬件有要求，官方测试过的环境是 Centos 7.2 或 Ubuntu 22.04、Cuda 11.7 以上，显卡为 A100 80G、RTX4090D 24G、V100 16G 这类。没有对应显卡的话，本地跑起来会很吃力。仓库里还提到示例图片部分来自图片网站，涉及版权问题会撤下，自己用素材时也要留意肖像和版权。