第一步是准备高质量角色图片：需正面或微侧身全身/半身照、人物居中、背景干净、光照均匀、分辨率≥1024×1024、png优先，且至少一只未遮挡的手可见；再配以清晰动作视频或精准英文文本指令，确保模型准确理解姿态。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想用Viggle AI把一张静态角色图变成会跳舞、会做动作的短视频，第一步不是打开网页或敲命令，而是确保你手里的素材能被模型准确理解——模糊、裁切不当、姿态遮挡的图片，大概率生成抖动、肢体错位、脸部崩坏的视频。
角色图片怎么选才不翻车
第一步：选正面或微侧身的全身/半身照，人物居中、背景干净、光照均匀。不要用自拍合照、镜面反光图、戴大檐帽或墨镜的图——这些会让姿态估计模块丢失关键关节点。
第二步：分辨率不低于1024×1024像素，PNG格式优先。JPG也可用，但压缩过重（比如微信原图直传）会导致边缘模糊，模型误判衣袖轮廓为肢体断裂。
第三步：人物着装避免大面积纯黑/纯白/高反光材质。这类区域在姿态热力图中易被识别为“无效区域”，导致手臂或腿部动作缺失。实测穿哑光灰T恤+牛仔裤的成功率远高于穿亮面皮衣。
【关键前提】图片中人物必须至少有一只手可见且未被身体遮挡——否则生成的挥手、击掌等动作会直接失效。
驱动视频/动作指令怎么配
方法一：用真实视频做动作源（推荐新手）→ 找一段10秒内、人物动作清晰、节奏分明的短视频（如TikTok舞蹈片段、YouTube健身教程），导出为MP4，大小控制在50MB以内。
方法二：用文本指令驱动（适合进阶控制）→ 输入英文短语，例如“jumping with arms wide open”“slowly turning left while waving”，不能含中文、标点过多或模糊动词（如“moving a bit”）。
注意：文本指令必须与图片中人物比例匹配。给儿童角色输“doing a backflip”，模型可能因缺乏儿童体态先验而拉伸膝盖变形。
本地部署前的环境校验
① 检查GPU显存：运行nvidia-smi，确认空闲显存≥10GB。RTX 3060 12G可跑默认参数，但若加载1280×720输出配置，需手动关闭--fp16以避免OOM崩溃。
② 验证PyTorch CUDA版本：必须为2.1.0+cu121，低版本会在viggle/models/pose_encoder.py第87行报RuntimeError: expected scalar type Half but found Float。
③ 下载官方权重包时，核对SHA256值。2026年8月最新版viggle-v2.3.1-weights.safetensors的校验值是9a7f3c1e8d2b4f55a6c8e1b0d9f0a2e3c4b5d6e7f8a9b0c1d2e3f4a5b6c7d8e9f，缺一位都会卡在初始化阶段。
执行python launch.py --port 7860启动WebUI，等待终端出现Running on local URL: http://127.0.0.1:7860即可访问界面。
