/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
talking_avatar · dense
Опубликована
22 июл 2026

TA2.0

Видео из изображенияИзображение, текст → видео4 профессии

TA2.0 создаёт видео говорящего аватара по портретному изображению и аудио, синхронизируя движения губ с речью.

77скачиваний за 30 дней0лайковвеса обновлены3 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

TA2.0 — модель TalkingAvatar от Neosapience для создания видео с говорящим аватаром по изображению и аудио. Она анимирует портрет, синхронизируя движения губ с входной речью; длительность ролика определяется длительностью аудио. В профиле инференса указаны разрешение 480 × 832 и частота 25 кадров в секунду.

Модель предназначена для исследований, оценки и авторских творческих проектов с аудиоаватарами. Качество анимации и синхронизации зависит от позы, перекрытий лица, качества аудио, языка и типа изображения. В README указана лицензия Apache-2.0. Для изображений и голосов необходимо иметь согласие и права; в runtime нет проверки личности, управления согласием, водяных знаков и модерации контента.

Сценарии применения

  • анимация портретного изображения под речь
  • создание видео говорящего цифрового аватара
  • синхронизация губ персонажа с аудиозаписью

Ограничения

Качество анимации и синхронизации зависит от позы, перекрытий лица, качества аудио, языка и типа изображения. Runtime не включает проверку личности, управление согласием, водяные знаки или модерацию контента.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TalkingAvatar (TA2.0): Audio-Driven Talking Avatar Generation

Reference Image + Speech Audio → Expressive Avatar Video by Neosapience

TalkingAvatar generates expressive, lip-synchronized avatar videos from a reference image, speech audio, and an optional text prompt. Model weights are distributed as sharded safetensors with an integrity manifest and runtime configuration.

Source Code | Training Dataset | Neosapience | Typecast

Training Dataset

TalkingAvatar was trained using the TA2.0 Animation Dataset. See the dataset repository for its documentation, structure, and access details.

Quick Start

Clone the source repository and create its uv environment:

git clone https://github.com/neosapience/TA2.0.git
cd TA2.0

uv venv --system-site-packages .venv
source .venv/bin/activate
uv pip install --no-deps -r requirements.lock

Generate a video with the top-level inference script:

CUDA_VISIBLE_DEVICES=0 uv run --no-sync python inference.py \
  --image examples/reference.png \
  --audio examples/audio.wav \
  --prompt "The person is speaking moderately." \
  --save_file outputs/result.mp4

The script downloads the TalkingAvatar checkpoint and resolves its required video and audio dependencies through the Hugging Face cache. Run python inference.py --help for all options.

Inference Profile

PropertyValue
Resolution480 x 832
Frame rate25 fps
DurationDerived from the input audio
Denoising steps30
Text guidance5.0
Audio guidance3.0

The runtime automatically chooses the shortest model-valid frame count that covers the complete input audio. --frame_num remains available as an override.

Repository Layout

checkpoint/
  model-00001-of-00003.safetensors
  model-00002-of-00003.safetensors
  model-00003-of-00003.safetensors
  model.safetensors.index.json
negative_prompt.safetensors
release-manifest.json
config.json

Intended Use

TalkingAvatar is intended for research, evaluation, and authorized creative work with audio-driven avatars. Use only images and voices for which you have the necessary consent and rights, and disclose generated media where appropriate.

Limitations

Output quality and lip synchronization vary with pose, occlusion, audio quality, language, and image domain. The runtime does not provide identity verification, consent management, watermarking, or content moderation.

License

TalkingAvatar is released under the Apache License 2.0. See the source repository for complete license terms, third-party notices, and the full model card.

Acknowledgments

TalkingAvatar was developed as part of the 첨단 GPU 활용 지원 사업 (project period 2026-04-01 – 2026-07-15), supported by 정보통신산업진흥원 and 한국정보통신진흥협회.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
7bdff8a

0 моделей