> 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-ru/govoryashie-golovy/sadtalker.md).

# SadTalker

Анимируйте лица с помощью аудио, чтобы создавать реалистичные видеоролики с говорящей головой.

{% hint style="success" %}
Все примеры можно запустить на GPU-серверах, арендуемых через [CLORE.AI Marketplace](https://clore.ai/marketplace).
{% endhint %}

## Аренда на CLORE.AI

1. Посетите [CLORE.AI Marketplace](https://clore.ai/marketplace)
2. Фильтровать по типу GPU, объёму видеопамяти и цене
3. Выберите **По требованию** (фиксированная ставка) или **Spot** (цена заявки)
4. Настройте ваш заказ:
   * Выберите Docker-образ
   * Укажите порты (TCP для SSH, HTTP для веб-интерфейсов)
   * При необходимости добавьте переменные окружения
   * Введите команду запуска
5. Выберите способ оплаты: **CLORE**, **BTC**, или **USDT/USDC**
6. Создайте заказ и дождитесь развертывания

### Доступ к вашему серверу

* Найдите данные для подключения в **Мои заказы**
* Веб-интерфейсы: используйте URL HTTP-порта
* SSH: `ssh -p <port> root@<proxy-address>`

## Что такое SadTalker?

SadTalker генерирует говорящие видео:

* Синхронизация губ с любым аудио
* Естественные движения головы
* Работает с одним изображением
* Контроль выражения лица

## Требования

| Режим            | VRAM | Рекомендуется |
| ---------------- | ---- | ------------- |
| Базовый          | 4 ГБ | RTX 3060      |
| Высокое качество | 6 ГБ | RTX 3080      |
| Полное лицо      | 8 ГБ | RTX 4080      |

## Быстрое развертывание

**Docker-образ:**

```
pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel
```

**Порты:**

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

**Команда:**

```bash
cd /workspace && \
git clone https://github.com/OpenTalker/SadTalker.git && \
cd SadTalker && \
pip install -r requirements.txt && \
bash scripts/download_models.sh && \
python app.py
```

## Доступ к вашему сервису

После развертывания найдите ваш `http_pub` URL в **Мои заказы**:

1. Перейдите на **Мои заказы** страницу
2. Кликните по вашему заказу
3. Найдите `http_pub` URL (например, `abc123.clorecloud.net`)

Используйте `https://YOUR_HTTP_PUB_URL` вместо `localhost` в примерах ниже.

## Установка

```bash
git clone https://github.com/OpenTalker/SadTalker.git
cd SadTalker

pip install torch torchvision torchaudio
pip install -r requirements.txt

# Загрузить предобученные модели
bash scripts/download_models.sh
```

## Базовое использование

### Командная строка

```bash
python inference.py \
    --driven_audio audio.wav \
    --source_image face.jpg \
    --result_dir ./results \
    --enhancer gfpgan
```

### Python API

```python
from src.facerender.animate import AnimateFromCoeff
from src.generate_batch import get_data
from src.generate_facerender_batch import get_facerender_data
import torch

class SadTalker:
    def __init__(self):
        self.device = "cuda"
        # Инициализация моделей...

    def generate(self, source_image, driven_audio, **kwargs):
        # Обработка аудио и изображения
        # Генерация анимации
        # Возврат пути к видео
        pass

# Пример использования
sadtalker = SadTalker()
video_path = sadtalker.generate(
    source_image="face.jpg",
    driven_audio="speech.wav"
)
```

## С улучшением лица

```bash

# Использование GFPGAN для улучшения лица
python inference.py \
    --driven_audio audio.wav \
    --source_image face.jpg \
    --enhancer gfpgan \
    --result_dir ./results

# Использование Real-ESRGAN для всего изображения
python inference.py \
    --driven_audio audio.wav \
    --source_image face.jpg \
    --enhancer realesrgan \
    --result_dir ./results
```

## Параметры

```bash
python inference.py \
    --driven_audio audio.wav \
    --source_image face.jpg \
    --pose_style 0 \           # 0-46 стили движений головы
    --expression_scale 1.0 \   # Интенсивность выражения
    --still \                  # Минимальные движения головы
    --preprocess crop \        # crop, resize, full
    --size 256 \               # Размер выхода
    --enhancer gfpgan
```

### Стили поз

| Диапазон | Эффект                 |
| -------- | ---------------------- |
| 0-5      | Тонкие движения        |
| 6-20     | Обычные движения       |
| 21-46    | Выразительные движения |

## Пакетная обработка

```python
import os
import subprocess

def generate_talking_video(image_path, audio_path, output_dir):
    cmd = [
        "python", "inference.py",
        "--driven_audio", audio_path,
        "--source_image", image_path,
        "--result_dir", output_dir,
        "--enhancer", "gfpgan"
    ]
    subprocess.run(cmd, check=True)

# Обработка нескольких изображений с одним и тем же аудио
images = ["person1.jpg", "person2.jpg", "person3.jpg"]
audio = "speech.wav"

for i, img in enumerate(images):
    output = f"./results/video_{i}"
    generate_talking_video(img, audio, output)
```

## Интерфейс Gradio

```python
import gradio as gr
import subprocess
import tempfile
import os

def generate_video(image, audio, pose_style, expression_scale, enhancer):
    with tempfile.TemporaryDirectory() as tmpdir:
        # Сохранить входные данные
        image_path = os.path.join(tmpdir, "input.jpg")
        audio_path = os.path.join(tmpdir, "audio.wav")
        image.save(image_path)

        # Сохранить аудио
        import soundfile as sf
        sf.write(audio_path, audio[1], audio[0])

        # Генерация
        cmd = [
            "python", "inference.py",
            "--driven_audio", audio_path,
            "--source_image", image_path,
            "--result_dir", tmpdir,
            "--pose_style", str(pose_style),
            "--expression_scale", str(expression_scale),
            "--enhancer", enhancer
        ]
        subprocess.run(cmd, check=True)

        # Найти выходное видео
        for f in os.listdir(tmpdir):
            if f.endswith(".mp4"):
                return os.path.join(tmpdir, f)

    return None

demo = gr.Interface(
    fn=generate_video,
    inputs=[
        gr.Image(type="pil", label="Исходное лицо"),
        gr.Audio(label="Ведущее аудио"),
        gr.Slider(0, 46, value=0, step=1, label="Стиль позы"),
        gr.Slider(0.5, 1.5, value=1.0, step=0.1, label="Масштаб выражения"),
        gr.Dropdown(["gfpgan", "realesrgan", "none"], value="gfpgan", label="Улучшение")
    ],
    outputs=gr.Video(label="Сгенерированное видео"),
    title="SadTalker - Генерация говорящей головы"
)

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

## API-сервер

```python
from fastapi import FastAPI, UploadFile, File
from fastapi.responses import FileResponse
import tempfile
import subprocess
import os

app = FastAPI()

@app.post("/generate")
async def generate(
    image: UploadFile = File(...),
    audio: UploadFile = File(...),
    pose_style: int = 0,
    expression_scale: float = 1.0
):
    with tempfile.TemporaryDirectory() as tmpdir:
        # Сохранить загруженные файлы
        image_path = os.path.join(tmpdir, "input.jpg")
        audio_path = os.path.join(tmpdir, "audio.wav")

        with open(image_path, "wb") as f:
            f.write(await image.read())
        with open(audio_path, "wb") as f:
            f.write(await audio.read())

        # Генерация
        cmd = [
            "python", "inference.py",
            "--driven_audio", audio_path,
            "--source_image", image_path,
            "--result_dir", tmpdir,
            "--pose_style", str(pose_style),
            "--expression_scale", str(expression_scale),
            "--enhancer", "gfpgan"
        ]
        subprocess.run(cmd, check=True)

        # Вернуть видео
        for f in os.listdir(tmpdir):
            if f.endswith(".mp4"):
                return FileResponse(os.path.join(tmpdir, f), media_type="video/mp4")

# Запуск: uvicorn server:app --host 0.0.0.0 --port 8000
```

## Текст-в-речь + SadTalker

Полный конвейер:

```python
import subprocess
from TTS.api import TTS

def text_to_talking_video(text, image_path, output_path):
    # Сгенерировать речь с помощью TTS
    tts = TTS("tts_models/en/ljspeech/tacotron2-DDC")
    audio_path = "temp_audio.wav"
    tts.tts_to_file(text=text, file_path=audio_path)

    # Сгенерировать говорящие видео
    cmd = [
        "python", "inference.py",
        "--driven_audio", audio_path,
        "--source_image", image_path,
        "--result_dir", output_path,
        "--enhancer", "gfpgan"
    ]
    subprocess.run(cmd, check=True)

# Пример использования
text_to_talking_video(
    "Hello, welcome to our presentation. Today we'll discuss AI.",
    "presenter.jpg",
    "./output"
)
```

## Контроль выражения

```python

# Минимальное выражение (стиль ведущего новостей)
cmd = [
    "python", "inference.py",
    "--driven_audio", "audio.wav",
    "--source_image", "face.jpg",
    "--expression_scale", "0.5",
    "--still"  # Уменьшает движение головы
]

# Выразительное (анимированный персонаж)
cmd = [
    "python", "inference.py",
    "--driven_audio", "audio.wav",
    "--source_image", "face.jpg",
    "--expression_scale", "1.5",
    "--pose_style", "30"
]
```

## Настройки качества

| Параметр              | Скорость        | Качество |
| --------------------- | --------------- | -------- |
| Без улучшителя, 256px | Быстро          | Базовый  |
| GFPGAN, 256px         | Средне          | Хорошо   |
| GFPGAN, 512px         | Медленно        | Лучше    |
| RealESRGAN, 512px     | Самый медленный | Лучшее   |

## Опции предобработки

```bash

# Crop - сосредоточиться на лице (рекомендуется)
--preprocess crop

# Resize - изменить размер всего изображения
--preprocess resize

# Full - использовать всё изображение
--preprocess full
```

## Устранение неполадок

### Лицо не обнаружено

* Используйте четкое фронтальное фото лица
* Хорошее освещение
* Избегайте перекрытий (очки, волосы)

### Проблемы с синхронизацией аудио

* Используйте WAV-файлы 16 кГц
* Избегайте фоновой музыки
* Только четкая речь

### Рывистое движение

* Немного увеличьте expression\_scale
* Попробуйте другой pose\_style
* Используйте более длинное аудио

### Недостаточно памяти

* Уменьшите размер выходного файла
* Отключите улучшитель
* Используйте предобработку crop

## Производительность

| Разрешение     | GPU      | Время (видео 10 с) |
| -------------- | -------- | ------------------ |
| 256px          | RTX 3060 | \~30с              |
| 256px          | RTX 4090 | \~15с              |
| 512px + GFPGAN | RTX 4090 | \~45с              |

## Оценка стоимости

Типичные тарифы на маркетплейсе CLORE.AI (по состоянию на 2024):

| GPU       | Почасовая ставка | Дневная ставка | Сессия 4 часа |
| --------- | ---------------- | -------------- | ------------- |
| 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       |

*Цены варьируются в зависимости от провайдера и спроса. Проверьте* [*CLORE.AI Marketplace*](https://clore.ai/marketplace) *для текущих тарифов.*

**Экономьте деньги:**

* Используйте **Spot** рынок для гибких рабочих нагрузок (часто на 30–50% дешевле)
* Платите с помощью **CLORE** токенов
* Сравнивайте цены разных провайдеров

## Следующие шаги

* [Wav2Lip](/guides/guides_v2-ru/govoryashie-golovy/wav2lip.md) - Альтернативная синхронизация губ
* [Bark TTS](/guides/guides_v2-ru/audio-i-golos/bark-tts.md) - Сгенерировать речь
* [XTTS](/guides/guides_v2-ru/audio-i-golos/xtts-coqui.md) - Клонирование голоса + TTS


---

# 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-ru/govoryashie-golovy/sadtalker.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.