EchoMimicV3: 13亿参数即可实现统一多模态、多任务人体动画生成

<a href='https://github.com/mengrang' target='_blank'>孟让</a><sup>1</sup>&emsp;
<a href='https://github.com/' target='_blank'>王艳</a>&emsp;
<a href='https://github.com/' target='_blank'>吴伟鹏</a>&emsp;
<a href='https://github.com/' target='_blank'>郑若冰</a>&emsp;
<a href='https://lymhust.github.io/' target='_blank'>李宇明</a><sup>2</sup>&emsp;
<a href='https://openreview.net/profile?id=~Chenguang_Ma3' target='_blank'>马晨光</a><sup>2</sup>

支付宝终端技术部，蚂蚁集团

<sup>1</sup>项目负责人&emsp;
<sup>2</sup>通讯作者






<a href='https://github.com/antgroup/echomimic_v3'><img src='https://img.shields.io/github/stars/antgroup/echomimic_v3?style=social'></a>
<a href='https://antgroup.github.io/ai/echomimic_v3/'><img src='https://img.shields.io/badge/项目主页-blue'></a>
<a href='https://arxiv.org/abs/2507.03905'><img src='https://img.shields.io/badge/论文-Arxiv-red'></a>
<a href='https://huggingface.co/BadToBest/EchoMimicV3'><img src='https://img.shields.io/badge/%F0%9F%A4%97%20HuggingFace-模型-yellow'></a>
<a href='https://modelscope.cn/models/BadToBest/EchoMimicV3'><img src='https://img.shields.io/badge/ModelScope-模型-purple'></a>
<a href='https://github.com/antgroup/echomimic_v3/blob/main/asset/wechat_group.png'><img src='https://badges.aleen42.com/src/wechat.svg'></a>
<a href='https://github.com/antgroup/echomimic_v3/discussions/18'><img src='https://img.shields.io/badge/中文版-常见问题汇总-orange'></a>

📣 更新日志

[2026.01.22] 🔥 我们更新了 EchoMimicV3-Flash 模型和代码 - 🚀 8 步即可生成高质量结果，远超 V3-preview 表现 - 🧩 无需人脸位置掩码，流程更简洁，鲁棒性更强 - 💾 需 12G 显存 - ✅ 支持最大 768×768 分辨率生成 * [2025.08.12] 🔥 仅需12G显存生成视频, 量化版本GradioUI发布。 查看 教程。感谢@gluttony-10贡献。 * [2025.08.12] 🔥 EchoMimicV3支持16G显存，使用ComfyUI. 感谢 @smthemex的贡献。 * [2025.08.10] 🔥 GradioUI 已发布，感谢 @gluttony-10 的贡献。 * [2025.08.09] 🔥 我们在 ModelScope 上发布了 模型。 * [2025.08.08] 🔥 我们在 Huggingface 上发布了 代码 和 模型。 * [2025.07.08] 🔥 我们的 论文 在 arxiv 上公开。

🌅 示例展示

中文驱动效果

更多演示视频，请访问项目主页

快速开始

环境配置

• 测试系统环境：Centos 7.2/Ubuntu 22.04, Cuda >= 12.1
• 测试 GPU：A100(80G) / RTX4090D (24G) / V100(16G)
• 测试 Python 版本：3.10 / 3.11

🛠️ 安装

1. 创建 conda 环境

conda create -n echomimic_v3 python=3.10
conda activate echomimic_v3

2. 安装其他依赖

pip install -r requirements.txt

🧱 模型准备

模型名称	下载链接	备注
Wan2.1-Fun-1.3B-InP	🤗 Huggingface	基础模型
wav2vec2-base	🤗 Huggingface	音频编码器
chinese-wav2vec2-base	🤗 Huggingface	Flash的音频编码器
EchoMimicV3-preview	🤗 Huggingface	preview的权重
EchoMimicV3-preview	🤗 ModelScope	preview的权重
EchoMimicV3-Flash	🤗 Huggingface	Flash的权重

-- EchoMimicV3-flash-pro权重 文件组织如下：

./flash-pro/
├── Wan2.1-Fun-V1.1-1.3B-InP
├── chinese-wav2vec2-base
└── transformer
    └── diffusion_pytorch_model.safetensors

-- EchoMimicV3-preview权重 文件组织如下：

./preview/
├── Wan2.1-Fun-V1.1-1.3B-InP
├── wav2vec2-base-960h
└── transformer
    └── diffusion_pytorch_model.safetensors

🔑 快速推理 EchoMimicV3-flash-pro

bash run_flash_pro.sh

🔑 快速推理 EchoMimicV3-preview

python infer_preview.py

🔑 快速推理preview量化版本

python app_mm.py

提示

• 音频 CFG：音频 CFG audio_guidance_scale 最佳范围为 2~3。增加音频 CFG 值可以改善唇同步效果，减少音频 CFG 值可以提高视觉质量。- 文本 CFG：文本 CFG `gu
• idance_scale` 最佳范围为 3~6。增加文本 CFG 值可以更好地遵循提示词，减少文本 CFG 值可以提高视觉质量。
• TeaCache：teacache_threshold 的最佳范围为 0~0.1。
• 采样步数：头部动画为 5 步，全身动作为 15~25 步。
• ​长视频生成：如果需要生成超过 138 帧的视频，可以使用长视频 CFG。
• 尝试降低partial_video_length节省显存。

📝 待办事项

状态	里程碑
✅	EchoMimicV3 推理代码已发布至 GitHub
✅	EchoMimicV3-preview 模型已发布至 HuggingFace
✅	EchoMimicV3-preview 模型已发布至 ModelScope
🚀	在线体验版
🚀	英文和中文预训练模型（Preview 版本）已发布至 ModelScope
🚀	英文和中文预训练模型（720P）已发布至 HuggingFace
🚀	英文和中文预训练模型（720P）已发布至 ModelScope
🚀	EchoMimicV3 训练代码已发布至 GitHub

🚀 EchoMimic 系列

• EchoMimicV3: 13亿参数即可实现统一多模态、多任务人体动画生成。GitHub
• EchoMimicV2: 面向震撼、简化、半身人体动画生成。GitHub
• EchoMimicV1: 基于可编辑关键点条件的逼真语音驱动肖像动画生成。GitHub

📒 引用

如果我们的工作对您的研究有帮助，请引用我们的论文：

@misc{meng2025echomimicv3,
  title={EchoMimicV3: 1.3B Parameters are All You Need for Unified Multi-Modal and Multi-Task Human Animation},
  author={Rang Meng, Yan Wang, Weipeng Wu, Ruobing Zheng, Yuming Li, Chenguang Ma},
  year={2025},
  eprint={2507.03905},
  archivePrefix={arXiv}
}

📜 许可证

本仓库中的模型采用 Apache 2.0 许可证。我们不对您生成的内容主张任何权利， 赋予您自由使用的权利，但您的使用需遵守该许可证的规定。 您需对模型的使用负全责，不得用于违反法律法规、伤害个人或群体、传播有害个人信息、散布虚假信息或针对弱势群体的行为。

🌟 Star 历史