InfiniteTalk - 音频驱动视频生成

任务目标

• 本 Skill 用于：将音频（语音）转换为同步的说话人视频，支持从单张图片或现有视频生成音频驱动的说话视频
• 能力包含：
  • Image-to-Video：从单张图片生成音频驱动的说话视频
  • Video-to-Video：对现有视频进行音频驱动的重配音
  • 多维度同步：唇形、头部运动、身体姿态、面部表情与音频精准对齐
  • 无限时长：支持无限制时长的视频生成
  • 低显存适配：支持量化、模型卸载等显存优化方案
• 触发条件：当需要生成音频驱动的数字人视频、视频配音、虚拟主播内容时使用

前置准备

• 模型下载：在使用本 Skill 前，必须先下载所需的模型权重文件，具体步骤见 references/model_download.md
• 硬件要求：
  • GPU：推荐使用 16GB+ 显存的 GPU（可使用量化方案适配低显存设备）
  • 内存：建议 32GB+ 系统内存
  • 磁盘空间：至少 50GB 可用空间（模型权重约 30GB）
• 环境配置：详细依赖安装见 references/environment_setup.md