DeepFaceLab 2.0 Quick96 是 DeepFaceLab 提供的預設訓練模型之一，專為 Windows 系統與 NVIDIA GPU 設計。它以 96×96 的臉部解析度進行訓練，提供簡化流程，適合初學者快速建立深度偽造（deepfake）影片。
Quick96 模型的設計目標是降低學習門檻，讓使用者能在短時間內完成臉部交換影片。整個流程包含臉部擷取、訓練、合併與輸出影片，並提供訓練預覽功能以即時觀察成果。使用者只需依序執行批次檔，即可完成整個深偽製作流程。
詳細簡介
Quick96 是 DeepFaceLab 2.0 中最簡化的訓練流程，適合入門者快速上手。它使用預設的訓練參數與模型架構，讓使用者能在短時間內完成臉部交換影片。整個流程包含臉部擷取、訓練、合併與輸出影片，並提供訓練預覽功能以即時觀察成果。
此模型的設計目標包括：
- 降低學習門檻
- 提供快速可視化結果
- 作為進階模型（如 SAEHD）的入門跳板
系統需求
- 作業系統：Windows
- GPU：NVIDIA，支援 CUDA Compute Compatibility 3.5 以上
- CPU：支援 AVX 指令集（若無 GPU）
安裝與準備
- 前往 GitHub 下載 DeepFaceLab 壓縮檔
- 解壓縮後進入 DeepFaceLab_NVIDIA 資料夾
- 準備兩段影片：來源影片（source）與目標影片（destination）
- 將影片放入 workspace 資料夾中
操作流程
- 擷取影格：執行 extract images from video 批次檔，將影片轉為影格
- 擷取臉部：執行 extract faces 批次檔，從影格中擷取臉部
- 編輯臉部：執行 data_src view 與 data_dst view，刪除模糊或錯誤臉部
- 訓練模型：執行 train Quick96，開始訓練模型（可設定訓練次數）
- 合併臉部：執行 merge 批次檔，將來源臉部合併至目標影片
- 輸出影片：執行 merged to mp4，輸出最終影片
模型比較
| 模型 | 臉型範圍 | 解析度 | 特點 | 顯存需求 |
|---|---|---|---|---|
| H64 | 半臉 | 64×64 | 速度快，品質低 | 2–3GB |
| H128 | 半臉 | 128×128 | 品質提升，適合中景 | 4–6GB |
| DF | 全臉 | 128×128 | 邊緣問題明顯 | 5GB+ |
| LIAEF128 | 全臉 | 128×128 | 可形變，遮擋處理佳 | 5GB+ |
| SAE | 可配置 | 64–512 | 最佳品質，難度高 | 6GB+ |
| Avatar | 全臉 | 可變 | 虛擬角色生成 | 視模型而定 |
系統需求
- 作業系統：Windows 10 或以上
- GPU：NVIDIA，支援 CUDA Compute Compatibility 3.5+
- CPU：支援 AVX 指令集
- RAM：建議 16GB 以上
- 硬碟空間：建議 20GB 以上
DeepFaceLab 2.0 Quick96 爭議
DeepFaceLab 2.0 Quick96 是 DeepFaceLab 軟體中的一種深度偽造訓練模型，設計目的是讓初學者能快速建立臉部替換影片。該模型以 96×96 的解析度進行訓練，具有操作簡單、資源需求低的特性，因此廣受入門使用者歡迎。然而，Quick96 所屬的深度偽造技術領域卻引發了諸多倫理與法律上的爭議。
首先，隱私侵犯是最常被提及的問題。使用者可以在未經當事人同意的情況下，擷取他人臉部影像並進行替換，這可能構成肖像權或隱私權的侵害。其次，深度偽造影片可能被用於製作假新聞、偽造證據或操控輿論，對社會穩定與資訊可信度造成威脅。儘管 Quick96 的解析度相對較低，但仍足以製作具欺騙性的內容。
另一項重大爭議是非自願色情內容的製作。部分使用者利用 DeepFaceLab 製作未經授權的色情影片，將公眾人物或私人個人臉部替換至不雅畫面中，引發道德與法律上的強烈反彈。這類行為在多數國家已被視為非法，並可能導致刑事責任。
Quick96 的簡化設計雖然降低了技術門檻，讓更多人能夠接觸深度偽造技術，但也因此增加了濫用的風險。開發者與社群對此表示關注，並鼓勵使用者僅製作「SFW」（Safe For Work）內容。DeepFaceLab 的 GitHub 專案於 2024 年底轉為唯讀狀態，停止主動更新，以回應部分爭議與技術濫用問題。
儘管存在爭議，深度偽造技術仍有其合法與正面用途。例如在電影製作中，可用於角色重建與視覺特效；在教育與研究領域，可用於人工智慧辨識訓練；在個人創作方面，則可用於娛樂性質的臉部替換影片。這些應用展現了技術的潛力，也凸顯了規範與道德框架的重要性。
更多資訊可參考 DeepFaceLab GitHub 專案 以及 深度偽造（Deepfake） - 維基百科。