faceswap（deepfakes/faceswap）是一个用深度学习识别并替换图片/视频中人脸的开源工具，即俗称的「deepfake」换脸软件。它是该方向较早被整合为完整、可运行项目的开源实现，提供提取（Extract）、训练（Train）、转换（Convert）的流程与图形界面（GUI）。GPL-3.0 许可，约 55,238 stars，主语言 Python，有文档（faceswap.readthedocs.io）与社区论坛。重要前提：换脸属高风险技术，可能被滥用于伪造、误导、侵犯肖像与名誉等；项目自身在 README「Manifesto」中也强调伦理使用——仅应在获得相关人士明确同意、且合法合规的前提下使用。
来源：README.md（描述、Manifesto、Overview 的 Extract/Train/Convert/GUI）；GitHub 仓库元数据（stars=55238、language=Python、license=GPL-3.0、topics deepfakes/face-swap） 查看 GitHub 仓库 →「换脸/deepfake」技术话题性极强，faceswap 作为最早让普通人也能下载运行、并据此学习相关 AI 技术的开源项目之一，长期获得很高 star 与社区关注。客观而言，它既有研究、学习深度学习与影视/特效等正当用途，也存在被滥用于制作不当或欺骗性内容的现实风险——项目 README 明确承认该技术早期即被用于不当内容，并强调应负责任、合规、经同意地使用。它出现在 trending 反映的是技术影响力与争议性并存。截至数据采集约 55,238 stars，仍在维护。
来源：README.md（Manifesto 的伦理说明、描述）；GitHub 仓库元数据（stars=55238、pushed_at 2026-05）从图片/视频中检测、对齐并提取人脸，作为训练与转换的输入。
来源：README.md（Overview 的 Extract）用神经网络学习两张脸的映射，提供多种模型（如 Phaze-A、Villain 等）。
来源：README.md（Overview 的 Train、示例模型）用训练好的模型把目标素材中的脸进行替换合成。
来源：README.md（Overview 的 Convert）提供 GUI 与完整文档/社区，降低非专业用户的使用门槛。
来源：README.md（Overview 的 GUI、文档/论坛）faceswap 用 Python + 深度学习实现，工作流分三步：Extract（从源/目标素材中检测并对齐、提取人脸）、Train（用神经网络模型学习两张脸之间的映射，项目提供多种模型如 Phaze-A、Villain 等）、Convert（用训练好的模型把目标素材中的脸替换/合成）。提供命令行与图形界面（GUI），并有较完整的文档与配置。它依赖 GPU 训练、需要相当算力与时间。本页对其作客观编目，不提供具体操作步骤或绕过任何平台/法律约束的方法。
来源：README.md（Overview 的 Extract/Train/Convert/GUI、示例模型）；GitHub 仓库元数据（language=Python）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
深度学习框架与 GPU人脸检测/对齐多种换脸模型（Phaze-A/Villain 等）在合法、合规且获得明确同意的前提下，正当用途包括：影视/特效与创意制作（经授权）、深度学习与计算机视觉的教学与研究、对 deepfake 检测/防御技术的研究等。务必避免任何未经同意的他人换脸、伪造名人或他人影像、制作误导性或不当内容等滥用行为；多数司法辖区对未经同意的深度伪造有法律限制。使用前应评估法律、肖像权、隐私与平台政策风险。
来源：README.md（Manifesto 的伦理用途说明）本页未列固定版本号；faceswap 持续维护（见 GitHub 与文档），更新涉及模型与流程改进。仓库最后更新约在 2026 年 5 月。
来源：README.md（Overview、文档）；GitHub pushed_atfaceswap 是最知名的开源深度学习换脸（deepfake）工具之一：以 Extract/Train/Convert 流程与 GUI 把人脸替换技术整合为可运行项目，文档与社区完善，可用于经授权的影视特效、深度学习教学与 deepfake 检测研究等正当场景。但这是高风险的双用途技术：未经同意的换脸、伪造他人影像或制作误导/不当内容在多数地区涉及法律与伦理问题，项目本身也在 Manifesto 中强调负责任、合规、经同意地使用。本页对其作客观编目，不提供操作步骤，强烈提示仅在明确授权与合规前提下使用，并优先关注其伦理与法律边界。
来源：综合 README.md 的定位、流程、伦理声明与合规风险