refacer
一键换脸 Deepfake 工具：上传任意视频+一张人脸照片，即可生成换脸视频，无需训练、无需配置
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
一键换脸 Deepfake 工具：上传任意视频+一张人脸照片，即可生成换脸视频，无需训练、无需配置
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1: Refacer 项目 Logo
想象这样一个场景：你找到了一段十几年前的家庭聚会视频，画面里爷爷奶奶正抱着年幼的你，笑得合不拢嘴。只是岁月流转，视频里的人已经不再身边——你多想让他们"穿越"到今天的照片里，和现在的你一起拍张合影。
或者，作为一个独立创作者，你想给一段解说视频配上生动的画面素材，却发现合适的素材总是缺那么一张"脸"。
在 Refacer 出现之前，普通人想完成这样的任务，需要掌握复杂的 AI 模型训练流程、准备大量目标人物的高清照片、花费数小时甚至数天的 GPU 算力。技术门槛和版权风险让这个领域几乎是专业工作室的专属领地。
Refacer 打破了这个壁垒——只需一张目标人脸照片，一段任意视频，点击一次"Reface"，一切就完成了。
Refacer 由独立开发者 Xavier Vinaixa（xaviviro） 创建，项目托管于 GitHub，托管于 GitHub，采用 MIT 开源许可证。截至分析时已获得 581 颗星和 141 个 Fork，被标记为 AI、deepfake、face-swap、onnx、onnxruntime 等技术标签。
项目灵感来源于另一个知名开源换脸工具 Roop，核心技术则基于 InsightFace 框架——由 deepinsight 团队维护的人脸分析算法库，提供了业界领先的人脸检测（SCRFD）和人脸识别（ArcFace）能力。
Refacer 的设计哲学是零训练、零配置：用户不需要收集数据集，不需要微调模型权重，只需要准备好一张"替换源"照片和一段视频，即可获得换脸结果。
Refacer 的换脸流程分为三个阶段，涉及三个不同的 ONNX 模型协同工作：
第一阶段：人脸检测（SCRFD）
SCRFD 是 InsightFace 团队提出的超轻量人脸检测器（det_10g.onnx），在 CPU 上也能实现实时检测。模型以 640×640 的输入分辨率扫描视频的每一帧，输出人脸边界框（Bounding Box）和关键点（Landmarks，包含双眼、鼻尖、嘴角五个点）。Refacer 在 refacer.py 的 __get_faces() 方法中调用 SCRFD，对每一帧最多检测 0（即全部）或 1 个人脸。
第二阶段：人脸识别（ArcFace R50）
w600k_r50.onnx 是基于 ResNet50 主干的 ArcFace 模型，将每张检测到的人脸编码为一个 512 维的特征向量（embedding）。这个向量具有身份不变性——同一个人在不同角度、光照、表情下的照片会映射到特征空间中相近的位置，而不同人的向量则相距甚远。Refacer 通过 ArcFaceONNX 类封装这一能力，用于后续的"人脸匹配"步骤。
第三阶段：人脸替换（INSwapper）
inswapper_128.onnx 是整个流程的核心——由 InsightFace 官方提供的预训练换脸模型。INSwapper 接受三个输入：原视频帧、检测到的人脸、目标替换人脸，输出融合后的图像。模型基于 128×128 的面部 UV 映射实现，换脸时不仅替换五官，还会根据目标人脸的肤色、光照条件进行自适应调整，使结果更加自然。INSwapper 类直接复用自 InsightFace 的 model zoo，Refacer 在 recognition/ 目录下保留了原始识别模块的代码以确保兼容性。
当视频中有多个人脸时，Refacer 通过余弦相似度（Cosine Similarity）判断当前帧中的人脸是否与预设的"替换源"属于同一人。用户可以设置 0~1 之间的阈值（Threshold）：阈值越低，匹配越宽松（可能误替换）；阈值越高，匹配越严格（可能漏替换）。这一机制使得 Refacer 可以同时处理"我要把 A 的脸换成张三，把 B 的脸换成李四"这种多目标场景。
Refacer 通过 RefacerMode 枚举支持四种推理后端：
| 模式 | 执行Provider | 适用硬件 | 性能 |
|---|---|---|---|
| CPU | CPUExecutionProvider | 所有平台 | 慢（~1-2帧/秒） |
| CUDA | CUDAExecutionProvider | NVIDIA GPU | 快 |
| CoreML | CoreMLExecutionProvider | Apple Silicon Mac | 中等 |
| TensorRT | TensorrtExecutionProvider | NVIDIA GPU (Colab优化) | 最快 |
推理模式通过 onnxruntime 的 Provider 机制自动选择：代码首先调用 rt.get_available_providers() 探测可用硬件，然后根据检测结果和命令行参数（--force_cpu、--colab_performance）决定最终使用的 Provider。
视频帧通过 OpenCV (cv2.VideoCapture) 逐帧读取，以 1000 帧为单位批量处理（reface_group 方法），每批使用 ThreadPoolExecutor 并行执行推理，充分利用多核 CPU 或 CUDA 流并行能力。处理完成后，通过 ffmpeg-python 重新封装为 MP4，并使用原始视频的音轨（通过 ffmpeg.probe 探测）合并到输出文件中，确保最终视频有声音。
Refacer 提供了一个基于 Gradio 3.33.1 的 Web 界面（app.py），默认在 http://127.0.0.1:7860 启动。
界面的核心组件包括：一个视频上传/预览区域、一组最多 5 个"Face #" 标签页（每个标签包含两张图片上传控件——"Face to replace"和"Destination face"），以及一个全局阈值滑块。点击"Reface"按钮后，Gradio 调用 run() 函数解析所有输入，构建 faces 列表，触发 Refacer.reface() 主流程，最终将结果视频回填到右侧预览区域。
此外，app.py 还集成了 ngrok 隧道服务，用户只需传入 ngrok authtoken（通过 --ngrok 参数），即可将本地 7860 端口暴露到公网，实现远程访问——这对没有公网 IP 的个人用户非常实用。
项目提供三套依赖文件：requirements.txt（CPU版）、requirements-GPU.txt（NVIDIA GPU版）、requirements-COREML.txt（Apple Silicon版）。核心依赖包括 insightface==0.7.3、onnxruntime 系列、opencv-python、gradio==3.33.1。安装后需手动下载 inswapper_128.onnx 模型（来自 HuggingFace 或 Google Drive），并确保系统中已安装 ffmpeg。
项目在 docker/Dockerfile.nvidia 中提供了 NVIDIA GPU 容器化方案，基于 nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04 镜像。Dockerfile 中预装了 CUDA Toolkit、TensorRT，并自动从 GitHub 克隆 Refacer 仓库和安装 GPU 版依赖。不过，inswapper_128.onnx 模型需要用户通过 Google Drive / Mega / OneDrive / CivitAI 等外部渠道手动下载后挂载到容器中（docker/run.sh 中的 -v $(pwd)/..:/refacer 挂载点）。模型文件较大（通常约 170MB），这些外部网盘链接在国内访问可能受限，是部署过程中的主要障碍。
项目还提供了官方 Colab notebook，用户可直接在浏览器中运行，跳过本地环境配置的麻烦。Colab 模式使用 --colab_performance 启用 TensorRT 加速，是性价比最高的体验方式。
| 层级 | 技术选型 |
|---|---|
| 前端界面 | Gradio 3.33.1（Web UI）+ ngrok（内网穿透） |
| 核心推理 | ONNX Runtime（跨平台推理引擎）+ InsightFace 0.7.3 |
| AI 模型 | SCRFD（人脸检测）、ArcFace R50（人脸识别）、INSwapper 128（换脸） |
| 视频处理 | OpenCV（帧提取/写入）+ ffmpeg-python（音频合并）+ ffmpeg（编码） |
| 并发 | ThreadPoolExecutor（多线程）+ multiprocessing（CPU 线程控制） |
| 部署 | Docker + NVIDIA CUDA 11.8 + TensorRT |
| 语言 | Python 3.10 + TypeScript（项目元数据） |
README 中用了大量篇幅强调免责条款，明确指出软件仅供教育和研究目的，严禁用于身份盗窃、侵犯隐私、诽谤等恶意行为。这是所有 deepfake 工具的共同困境——技术本身是中性的，但应用场景决定了其社会影响。
作者在代码层面埋入了防护机制（README 提到"integrated protective mechanism that prevents it from working with illegal or similar types of media"），但具体实现未公开。这提示我们，开源换脸工具普遍存在被滥用的风险，尽管作者有所防范，但技术层面无法完全阻止恶意使用。
最大的部署痛点是 ONNX 模型需要手动下载。HuggingFace 的 direct link 在部分网络环境下不可达，而 Google Drive / Mega / OneDrive 等替代方案在国内均有不同程度的访问限制。这使得"一键部署"的承诺打了折扣。
换脸质量高度依赖输入图片的质量（分辨率、光照、角度），低质量输入容易产生明显的伪影或不自然的融合边界。此外，由于依赖 InsightFace 的预训练模型，针对亚洲面孔的换脸效果通常优于欧美面孔（因为训练数据分布的偏差）。
Refacer 的出现代表了 deepfake 工具民主化的一个重要节点。在它之前，主流换脸工具（如 DeepFaceLab、Roop）虽然也已开源，但配置复杂度较高。Refacer 通过 Gradio 界面和"一键换脸"的设计，将门槛降到了最低——一个不懂 Python 的人也可以在 10 分钟内完成一次换脸。
从技术演进趋势看，ONNX 作为跨平台推理中间格式正在成为 AI 应用的事实标准。Refacer 同时支持 CPU / CUDA / CoreML / TensorRT 四种后端，这种架构设计使得同一套模型权重可以在不同硬件上获得最优性能，体现了 AI 部署的"一次训练，多处运行"理念。
然而，deepfake 技术的普及也带来了前所未有的信息可信度危机。随着工具越来越傻瓜化，如何建立有效的技术溯源和内容鉴别机制，将成为整个行业必须面对的严肃课题。
报告生成时间：2026-06-21 | 数据来源：GitHub API + 源码分析 | 报告字数：约 3800 字