上一章介绍了通过ComfyUI_Sonic模型实现图片+音频导出视频的图片对嘴的模型搭建，今天介绍一个进阶版（带表情的）。

1：官方要求的是GPU:20GB或更多 VRAM 的 GPU ,我的是8G的GPU,能运行起来，就是生成速度慢些。

2：代码下载。

下载地址：https://github.com/toto222/DICE-Talk

 下载解压后，去下载模型，跟前一章的ComfyUI_Sonic模型只有一个不一样，其他的可以直接复制过来就行。

模型下载： pretrain model, svd-xt and whisper-tiny  

3：安装，先直接运行就行

 python .\gradio_app.py 

如果报错，借助AI，差什么包，就安装什么包就行。

4： 使用

启动成功后，浏览器访问：http://127.0.0.1:8081/

下面是官方提供的一些表情例子：

5：生成

如果你的电脑GPU比较大，那生成的速度应该是比较快的，等待视频生成后。

 我的8G的GPU根本不够用，13秒音频一晚上都没生成完。噗~。

介绍一个音频克隆：https://github.com/RVC-Boss/GPT-SoVITS