Deep-Live-Cam 是一套以單張照片即可完成即時換臉的開源工具，由開發者 hacksider 於二零二三年九月建立。截至二零二六年十月，該專案在 GitHub 累積 96,907 顆星標與 14,119 次複製，主要語言為 Python，授權為 AGPL-3.0。其運作方式是把人臉偵測、特徵抽取與生成對抗網路整合為單一流程，使用者只需提供一張來源照片，即可在網路攝影機畫面或既有影片中替換人臉，並在多數消費級顯示卡上維持接近即時的輸出速度。
Deep-Live-Cam 是以單張照片實現即時換臉的開源工具，GitHub 星標達 96,907 顆，採 Python 開發並以 AGPL-3.0 授權釋出。
Deep-Live-Cam 是什麼？
Deep-Live-Cam 是一套在個人電腦本機執行的換臉工具，透過 ONNX 模型完成人臉偵測與替換，輸入一張人臉照片即可即時合成到鏡頭畫面，不需連線雲端服務。
這是一套完全在本機執行的應用程式，運算發生在使用者自己的電腦上，影像不需要上傳到任何伺服器。專案說明把定位寫得相當直接，它將自身描述為面向人工智慧生成媒體產業的生產力工具，可用於動畫角色製作、內容創作，甚至服裝設計的模特兒模擬。
從使用流程觀察，它的設計刻意壓低了操作門檻。官方在說明文件中以「三個步驟」概括主要用法：選擇一張人臉照片、選擇要使用的攝影機、按下即時執行。整個過程不需要標註資料，也不需要另外訓練模型，這正是它能在短時間內累積大量關注的原因。
Deep-Live-Cam 的核心技術如何運作？
Deep-Live-Cam 以 InsightFace 的 inswapper 模型替換人臉，再以 GFPGAN 還原畫質，兩者皆為 ONNX 格式。
技術上，該專案串接了兩個關鍵模型。第一個是 InsightFace 團隊開發的 inswapper，負責人臉的偵測、對齊與特徵替換，專案使用的版本為 inswapper_128_fp16.onnx。第二個是 GFPGAN，負責在替換後修復臉部細節與提升解析度，使用的檔案為 gfpgan-1024.onnx。兩個模型皆以 ONNX 格式發布，需要使用者手動下載並放入專案的 models 資料夾。
推論層則交給 onnxruntime 處理。專案支援多種執行提供者（Execution Provider），包括適用於一般處理器的 CPU、Nvidia 顯示卡的 CUDA、Apple Silicon 的 CoreML，以及針對 Windows 與 AMD、Intel 硬體的 DirectML 與 OpenVINO 路線。這種設計讓同一套程式碼可以在不同硬體上運行，代價是安裝步驟相對繁瑣，官方亦在說明中提醒手動安裝需要一定技術能力。
Deep-Live-Cam 有哪些主要功能？
主要功能包括即時網路攝影機換臉、影片換臉、單張照片處理、多張人臉同時對應、嘴部遮罩保留原嘴型，以及可即時觀看的電影與直播模式。
官方列出的應用場景相當廣泛。除了最基本的即時網路攝影機換臉，它也支援對既有影片與單張照片進行處理，並提供嘴部遮罩功能，讓使用者在替換整張臉之後仍保留原本的嘴型動作，使表情銜接更自然。
另一項受注目的能力是多臉對應。此功能允許在同一畫面中，為不同人物同時指定不同的人臉，官方以直播與表演情境作為示範。其餘應用還包括在觀看影片時即時套用指定臉孔、製作迷因素材，以及在即時視訊對話中變更外貌，這些場景共同構成了它受歡迎的主要原因。
如何安裝與開始使用 Deep-Live-Cam？
使用者需準備 Python 與 ffmpeg，下載兩個 ONNX 模型放入 models 資料夾，安裝依賴後執行 run.py，並指定 CUDA 或 CoreML 等後端。
手動安裝的流程包含幾個固定環節。使用者先建立 Python 環境，官方建議使用 3.14 版本並搭配虛擬環境；接著複製儲存庫、下載 inswapper 與 GFPGAN 兩個模型檔並放入 models 目錄；最後安裝 requirements.txt 內的依賴套件。
啟動時可透過參數選擇推論後端，例如在 Nvidia 顯示卡上使用 CUDA，在 Apple Silicon 上使用 CoreML。官方亦針對不同平台提供已預先配置的付費安裝版本，主打免除手動安裝程序，並標示包含三十項以上的獨家功能。值得注意的是，專案文件強調官方網站僅有一個，提醒使用者留意來路不明的第三方下載來源。
Deep-Live-Cam 的專案數據與社群規模如何？
截至二零二六年十月，Deep-Live-Cam 擁有 96,907 顆星標、14,119 次複製與 82 位貢獻者，最新版本 2.7.5 於九月七日發布。
- 96,907GitHub 星標
- 14,119複製次數
- 82貢獻者
- 575關注人數
- v2.7.5最新版本
- Python主要語言
這些數字反映的是一套已進入穩定維護階段、同時擁有高度關注的專案。專案建立於二零二三年九月，至今累積八十二位貢獻者與一萬四千多次複製，最後一次程式碼提交落在二零二六年九月二十六日。其星標數在開源換臉工具中位居前列，說明它已經成為此類應用的代表專案之一。
下圖為專案首頁頂部，可見儲存庫名稱、星標數、複製數與主要語言等統計資訊。
Deep-Live-Cam 與其他換臉工具有何差異？
與雲端換臉服務相比，Deep-Live-Cam 完全在本機執行且免費取得原始碼；與研究型框架相比，它提供圖形介面與即時輸出，使用門檻明顯較低。
差異首先體現在部署位置。多數商業換臉服務以雲端 API 提供功能，使用者需上傳影像並按次付費，資料也必須離開本機。Deep-Live-Cam 則把整個推論流程留在使用者電腦，既能避免上傳，也不受服務次數限制，但相對要求使用者自備具備足夠算力的硬體。
差異之二在於定位。學術研究常見的人臉替換框架通常以指令列與程式庫形式發布，需要自行撰寫推論程式。Deep-Live-Cam 在此之上包裝了圖形介面與即時預覽，讓不具備深度學習背景的使用者也能操作，這正是它在一般使用者社群中快速擴散的原因，也同時放大了後續討論的倫理爭議。
Deep-Live-Cam 的授權與商業模式是什麼？
專案以 AGPL-3.0 授權釋出，同時販售預先配置的 Ultimate 版本。由於依賴的 InsightFace 模型僅限非商業研究，商業採用須另行確認授權。
授權結構值得採用者仔細檢視。專案本體採 AGPL-3.0，屬於對網路服務相對嚴格的開源條款；若將它整合進對外提供的服務，通常需要一併釋出對應的原始碼。與此同時，官方在說明文件中推廣付費版本，主打免除安裝程序與獨家功能，形成開源本體與商業版本並行的模式。
更關鍵的限制來自上游模型。專案說明在致謝段落中明確提醒，InsightFace 模型的授權僅限非商業研究用途。這意味著即使程式碼本身是開源，實際用於商業產品時仍可能受限，企業在評估導入前應先釐清模型層級的授權條件，而非只看專案的開源條款。
下圖為專案的版本發布頁，顯示最新版本 2.7.5 Ultimate 的發布資訊與版本歷程。
使用 Deep-Live-Cam 有哪些風險與倫理爭議？
主要風險在於未經同意的人臉替換可能被用於詐騙、冒用身分或製造不實影像。專案內建不當內容檢查並要求使用者取得當事人同意，但實際執行仍高度依賴使用者自律。
這類工具的核心爭議，在於它把高品質換臉的門檻降到極低。以往需要專業後製團隊才能完成的影像合成，如今只靠一張照片與一台具備獨立顯示卡的電腦即可產出，且能即時呈現在視訊畫面中，這對身分驗證與影像證據的可信度構成直接挑戰。
專案本身對風險有所回應。說明文件載明已內建檢查機制，避免處理裸露、暴力等不當素材，並要求使用者在替換真實人物臉孔時取得當事人同意，且於分享時標示為深度偽造。文件同時聲明，若法律要求，開發團隊可能終止專案或為輸出加上浮水印，並將最終使用的責任歸於使用者。這些措施顯示開發方已意識到爭議，但其效力仍取決於使用者的自律與各地法規的執行。
出處連結有哪些？
本文資訊來源為 Deep-Live-Cam 的 GitHub 儲存庫與官方網站，包含專案說明文件、版本發布紀錄與統計數據，讀者可透過下列連結查證原始資料。
- GitHub 儲存庫：https://github.com/hacksider/Deep-Live-Cam
- 官方網站：https://deeplivecam.net
常見問題有哪些？
以下整理使用者最常提出的問題，涵蓋系統需求、安裝難度、商業使用限制與繪圖處理器支援，協助讀者在採用前快速掌握重點。
Deep-Live-Cam 需要什麼硬體？
一般處理器即可執行，但速度較慢；若要有即時體驗，建議使用 Nvidia 顯示卡並搭配 CUDA，或使用 Apple Silicon 搭配 CoreML。
Deep-Live-Cam 完全免費嗎？
程式碼以 AGPL-3.0 授權免費取得，但依賴的 InsightFace 模型僅限非商業研究用途，商業使用須另行確認授權；官方另有販售預先配置的付費版本。
安裝 Deep-Live-Cam 困難嗎？
手動安裝需要具備基本指令列操作能力，包含建立 Python 環境、下載模型與安裝依賴；官方另提供免手動安裝的付費版本。
換臉過程會上傳影像嗎？
不會。所有推論都在使用者本機完成，影像不需要上傳至任何伺服器，這也是它與雲端換臉服務的主要差異之一。
Deep-Live-Cam 可以用於商業用途嗎？
須視情況而定。程式碼為 AGPL-3.0，模型授權僅限非商業研究，商業導入前應先釐清兩層授權條件並評估合規風險。
總結：Deep-Live-Cam 適合什麼使用者？
Deep-Live-Cam 適合希望在自有硬體上進行即時換臉實驗的技術使用者與內容創作者，但商業採用前須確認模型授權，並正視深度偽造衍生的倫理與法律風險。
Deep-Live-Cam 的價值在於把原本屬於專業後製的換臉技術，壓縮成一套可在個人電腦上即時運作、且程式碼公開的工具。它擁有 96,907 顆星標、一萬四千多次複製與八十二位貢獻者，並持續發布新版本，反映出穩固的使用者基礎與活躍的維護節奏。
另一方面，它的低門檻也正是風險所在。AGPL-3.0 與上游模型的非商業限制，讓商業採用需要更高的合規意識；而未經同意的換臉行為，則可能觸及肖像權、詐騙與名譽相關法規。對於希望研究電腦視覺或進行創作實驗的使用者，它是一套具代表性的開源實作；但無論用途為何，取得當事人同意與清楚標示合成內容，都應是使用前的基本前提。