用途：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，适用于数字人播报、视频配音、虚拟主播内容制作。
主要能力：Image-to-Video（单图生成音频驱动说话视频）；Video-to-Video（对现有视频进行音频驱动重配音）；唇形、头部运动、身体姿态、面部表情与音频多维度同步；支持无限时长视频；支持量化、模型卸载等低显存优化；支持 TTS 文本转语音（Kokoro-82M），并支持用 (s1)、(s2) 标记的双人对话模式。
使用方式：使用前需先下载模型权重（约 30GB），并完成环境配置。核心推理脚本为 scripts/infer_infinitetalk.py。基础图片生成视频示例：python scripts/infer_infinitetalk.py --input_path ./input.jpg --audio_path ./audio.wav --output_path ./output.mp4 --size infinitetalk-480 --mode clip。长视频使用 --mode streaming；Video-to-Video 将 input_path 指向视频文件，脚本自动提取首帧作为参考；TTS 用 --text 提供文本。主要参数包括 mode（clip 或 streaming）、size（infinitetalk-480 或 infinitetalk-720）、sample_steps（默认 40）、sample_audio_guide_scale（默认 4.0）、motion_frame（默认 9）。
适用场景：数字人播报、视频配音、虚拟主播等音频驱动视频生成任务。
限制：推荐 16GB+ 显存 GPU、32GB+ 系统内存、至少 50GB 可用磁盘空间；模型权重较大需提前下载；输入音频建议 16000Hz，脚本会自动响度归一化；输入图片或视频应包含清晰人脸区域；生成速度取决于 GPU 性能，480P 下生成 1 秒视频约需 5-10 秒；显存不足时可降低分辨率、添加 --quant int8 或 --offload_model true。