> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/sprechende-kopfe/liveportrait.md).

# LivePortrait

Erstelle realistische animierte Porträts aus einzelnen Bildern auf Clore.ai

Erstelle realistische animierte Porträts aus einzelnen Bildern.

{% hint style="success" %}
Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über [CLORE.AI-Marktplatz](https://clore.ai/marketplace).
{% endhint %}

{% hint style="info" %}
Alle Beispiele in diesem Leitfaden können auf GPU-Servern ausgeführt werden, die über [CLORE.AI-Marktplatz](https://clore.ai/marketplace) Marktplatz gemietet werden.
{% endhint %}

## Mieten auf CLORE.AI

1. Besuchen [CLORE.AI-Marktplatz](https://clore.ai/marketplace)
2. Filtern nach GPU-Typ, VRAM und Preis
3. Wähle **On-Demand** (Festpreis) oder **Spot** (Gebotspreis)
4. Konfiguriere deine Bestellung:
   * Docker-Image auswählen
   * Ports festlegen (TCP für SSH, HTTP für Web-UIs)
   * Bei Bedarf Umgebungsvariablen hinzufügen
   * Startbefehl eingeben
5. Zahlung auswählen: **CLORE**, **BTC**, oder **USDT/USDC**
6. Bestellung erstellen und auf die Bereitstellung warten

### Greife auf deinen Server zu

* Verbindungsdetails finden in **Meine Bestellungen**
* Web-Oberflächen: Verwende die HTTP-Port-URL
* SSH: `ssh -p <port> root@<proxy-address>`

## Was ist LivePortrait?

LivePortrait von Kuaishou ermöglicht:

* Jedes Porträt mit einem Steuerungsvideo animieren
* Animation von einem einzelnen Foto zu Video
* Ausdrucks- und Posenübertragung
* Echtzeitfähige Inferenz

## Ressourcen

* **GitHub:** [KwaiVGI/LivePortrait](https://github.com/KwaiVGI/LivePortrait)
* **Paper:** [LivePortrait-Paper](https://arxiv.org/abs/2407.03168)
* **HuggingFace:** [KwaiVGI/LivePortrait](https://huggingface.co/KwaiVGI/LivePortrait)
* **Demo:** [HuggingFace Space](https://huggingface.co/spaces/KwaiVGI/LivePortrait)

## Empfohlene Hardware

| Komponente | Minimum      | Empfohlen      | Optimal       |
| ---------- | ------------ | -------------- | ------------- |
| GPU        | RTX 3070 8GB | RTX 4080 16 GB | RTX 4090 24GB |
| VRAM       | 8 GB         | 16 GB          | 24 GB         |
| CPU        | 4 Kerne      | 8 Kerne        | 16 Kerne      |
| RAM        | 16 GB        | 32 GB          | 64 GB         |
| Speicher   | 30 GB SSD    | 50 GB NVMe     | 100 GB NVMe   |
| Internet   | 100 Mbit/s   | 500 Mbit/s     | 1 Gbit/s      |

## Schnellbereitstellung auf CLORE.AI

**Docker-Image:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
```

**Ports:**

```
22/tcp
7860/http
```

**Befehl:**

```bash
cd /workspace && \
git clone https://github.com/KwaiVGI/LivePortrait.git && \
cd LivePortrait && \
pip install -r requirements.txt && \
python app.py
```

## Auf deinen Dienst zugreifen

Nach der Bereitstellung findest du deine `http_pub` URL in **Meine Bestellungen**:

1. Gehe zu **Meine Bestellungen** Seite
2. Klicke auf deine Bestellung
3. Finde die `http_pub` URL (z. B. `abc123.clorecloud.net`)

Verwende `https://YOUR_HTTP_PUB_URL` anstelle von `localhost` in den folgenden Beispielen.

## Installation

```bash
git clone https://github.com/KwaiVGI/LivePortrait.git
cd LivePortrait
pip install -r requirements.txt

# Vorgetrainierte Modelle herunterladen
huggingface-cli download KwaiVGI/LivePortrait --local-dir pretrained_weights
```

## Was du erstellen kannst

### Virtuelle Avatare

* KI-Influencer und virtuelle Moderatoren
* Kundendienst-Avatare
* Lehrpräsentatoren

### Content-Erstellung

* Social-Media-Inhalte
* Marketingmaterialien
* Musikvideokonzepte

### Unterhaltung

* Historische Fotos animieren
* Charakteranimationen
* Interaktive Erlebnisse

### Professionelle Anwendungen

* Avatare für Videokonferenzen
* Präsentationsassistenten
* Trainingssimulationen

## Grundlegende Verwendung

### Kommandozeile

```bash
python inference.py \
    --source_image path/to/portrait.jpg \
    --driving_video path/to/driving.mp4 \
    --output_path output.mp4
```

### Python-API

```python
from liveportrait import LivePortraitPipeline

# Pipeline initialisieren
pipeline = LivePortraitPipeline(
    device="cuda",
    model_path="./pretrained_weights"
)

# Porträt animieren
result = pipeline.animate(
    source_image="portrait.jpg",
    driving_video="driving.mp4"
)

result.save("animated_portrait.mp4")
```

## Porträt mit Ausdruckssteuerung

```python
from liveportrait import LivePortraitPipeline
import cv2

pipeline = LivePortraitPipeline(device="cuda")

# Bestimmte Gesichtsausdrücke steuern
expressions = {
    "smile": 0.8,
    "eyebrow_raise": 0.3,
    "head_pitch": -5,  # Grad
    "head_yaw": 10
}

result = pipeline.animate_with_expression(
    source_image="portrait.jpg",
    expressions=expressions,
    num_frames=60,
    fps=30
)

result.save("expression_controlled.mp4")
```

## Batch-Verarbeitung

```python
import os
from liveportrait import LivePortraitPipeline

pipeline = LivePortraitPipeline(device="cuda")

# Mehrere Porträts mit demselben Steuerungsvideo animieren
portraits = [
    "portrait1.jpg",
    "portrait2.jpg",
    "portrait3.jpg"
]

driving = "speech_driving.mp4"
output_dir = "./animated"
os.makedirs(output_dir, exist_ok=True)

for i, portrait in enumerate(portraits):
    print(f"Verarbeite {i+1}/{len(portraits)}: {portrait}")

    result = pipeline.animate(
        source_image=portrait,
        driving_video=driving
    )

    result.save(f"{output_dir}/animated_{i:03d}.mp4")
```

## Gradio-Oberfläche

```python
import gradio as gr
from liveportrait import LivePortraitPipeline
import tempfile

pipeline = LivePortraitPipeline(device="cuda")

def animate(source_image, driving_video):
    with tempfile.NamedTemporaryFile(suffix=".mp4", delete=False) as f:
        result = pipeline.animate(
            source_image=source_image,
            driving_video=driving_video
        )
        result.save(f.name)
        return f.name

demo = gr.Interface(
    fn=animate,
    inputs=[
        gr.Image(type="filepath", label="Porträtbild"),
        gr.Video(label="Steuervideo")
    ],
    outputs=gr.Video(label="Animiertes Porträt"),
    title="LivePortrait - Jedes Porträt animieren",
    description="Lade ein Porträt und ein Steuerungsvideo hoch, um ein animiertes Video zu erstellen. Läuft auf CLORE.AI-GPU-Servern."
)

demo.launch(server_name="0.0.0.0", server_port=7860)
```

## Echtzeit-Webcam-Animation

```python
import cv2
from liveportrait import LivePortraitPipeline

pipeline = LivePortraitPipeline(device="cuda")

# Quellporträt laden
source = cv2.imread("portrait.jpg")
pipeline.set_source(source)

# Webcam öffnen
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # Mit dem aktuellen Frame als Steuerung animieren
    animated = pipeline.animate_frame(frame)

    cv2.imshow("LivePortrait", animated)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()
```

## Integration mit TTS

Erstelle sprechende Avatare mit Text-zu-Sprache:

```python
from liveportrait import LivePortraitPipeline
from TTS.api import TTS

# Sprache erzeugen
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2")
tts.tts_to_file(
    text="Hello! Welcome to our presentation.",
    file_path="speech.wav",
    speaker_wav="reference_voice.wav",
    language="en"
)

# Lippensynchrones Steuerungsvideo aus Audio erzeugen

# (Mit einem separaten Tool für Lippensynchronisation oder einem vorgefertigten Steuerungsvideo)

# Porträt animieren
pipeline = LivePortraitPipeline(device="cuda")
result = pipeline.animate(
    source_image="presenter.jpg",
    driving_video="lip_sync_driving.mp4"
)
result.save("talking_avatar.mp4")
```

## Leistung

| Auflösung | GPU      | FPS | Latenz |
| --------- | -------- | --- | ------ |
| 256x256   | RTX 3070 | 30  | 33ms   |
| 256x256   | RTX 4090 | 60+ | 16ms   |
| 512x512   | RTX 4090 | 30  | 33ms   |
| 512x512   | A100     | 45  | 22ms   |

## Häufige Probleme & Lösungen

### Gesicht nicht erkannt

**Problem:** "Kein Gesicht im Quellbild erkannt"

**Lösungen:**

* Stelle sicher, dass das Gesicht klar sichtbar und frontal ausgerichtet ist
* Verwende gute Beleuchtung im Quellbild
* Schneide das Bild zu, um den Fokus auf das Gesicht zu legen
* Minimale Gesichtsgröße: 128x128 Pixel

### Bewegung passt nicht

**Problem:** Die Animation folgt dem Steuerungsvideo nicht

**Lösungen:**

* Verwende Steuerungsvideos mit deutlichen Gesichtsbewegungen
* Stelle sicher, dass das Steuerungsvideo eine ähnliche Gesichtsausrichtung hat
* Probiere verschiedene Steuerungsvideos aus

### Qualitätsprobleme

**Problem:** Die Ausgabe sieht verschwommen oder verzerrt aus

**Lösungen:**

```python

# Höhere Qualitätseinstellungen verwenden
result = pipeline.animate(
    source_image=source,
    driving_video=driving,
    output_size=512,  # Höhere Auflösung
    enhance_face=True  # Gesichtsverbesserung aktivieren
)
```

### Echtzeit-Verzögerung

**Problem:** Die Webcam-Animation ruckelt

**Lösungen:**

* Verwende eine kleinere Ausgabeauflösung (256x256)
* TensorRT-Optimierung aktivieren
* Verwende eine RTX 4090 oder besser für Echtzeit

```python
pipeline = LivePortraitPipeline(
    device="cuda",
    use_tensorrt=True  # TensorRT aktivieren
)
```

### Audio-Synchronisierungsprobleme

**Problem:** Die Lippenbewegungen stimmen nicht mit dem Audio überein

**Lösungen:**

* Verwende die Audio-zu-Steuerungsvideo-Generierung
* Passe das Video-Timing in der Nachbearbeitung an
* Verwende Wav2Lip für eine bessere Lippensynchronisation

## Fehlerbehebung

### Gesicht nicht erkannt

* Stelle sicher, dass das Gesicht in der Quelle klar sichtbar ist
* Verwende frontal aufgenommene Fotos
* Prüfe die Bildauflösung (512+ empfohlen)

### Die Animation wirkt unnatürlich

* Quelle und Steuerungsvideo sollten ähnliche Gesichtswinkel haben
* Vermeide extreme Gesichtsausdrücke im Steuerungsvideo
* Verwende kürzere Steuerungsclips

### Ausgabevideo beschädigt

* ffmpeg installieren: `apt install ffmpeg`
* Prüfe die Kompatibilität des Ausgabeformats
* Stelle sicher, dass genügend Speicherplatz vorhanden ist

### CUDA-Fehler

* Installiere eine kompatible PyTorch-Version
* Prüfe, ob die CUDA-Version den Anforderungen entspricht

## Kostenschätzung

Übliche CLORE.AI-Marktplatzpreise (Stand 2024):

| GPU       | Stundensatz | Tagessatz | 4-Stunden-Sitzung |
| --------- | ----------- | --------- | ----------------- |
| RTX 3060  | \~$0.03     | \~$0.70   | \~$0.12           |
| RTX 3090  | \~$0.06     | \~$1.50   | \~$0.25           |
| RTX 4090  | \~$0.10     | \~$2.30   | \~$0.40           |
| A100 40GB | \~$0.17     | \~$4.00   | \~$0.70           |
| A100 80GB | \~$0.25     | \~$6.00   | \~$1.00           |

*Die Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie* [*CLORE.AI-Marktplatz*](https://clore.ai/marketplace) *für aktuelle Preise.*

**Geld sparen:**

* Nutzen Sie den **Spot** Markt für unterbrechbare Arbeit — etwa ein Drittel der Server bietet Spot-Preise unter dem On-Demand-Preis (Median ca. 13 % Rabatt), der Rest ist gleichauf
* Bezahlen Sie mit **CLORE** Tokens
* Vergleichen Sie Preise zwischen verschiedenen Anbietern

## Nächste Schritte

* [SadTalker](/guides/guides_v2-de/sprechende-kopfe/sadtalker.md) - Alternative für sprechende Köpfe
* [Wav2Lip](/guides/guides_v2-de/sprechende-kopfe/wav2lip.md) - Bessere Lippensynchronisation
* [XTTS](/guides/guides_v2-de/audio-and-stimme/xtts-coqui.md) - Spracherzeugung


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-de/sprechende-kopfe/liveportrait.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.