三步打造专属桌面猫咪:BongoCat自定义模型导入全攻略
你是否已经厌倦了千篇一律的桌面宠物?想让你的BongoCat与众不同?本文将带你通过简单三步,将任何Live2D模型转化为会对你的键盘和鼠标操作做出反应的专属桌面猫咪。无需编程基础,只需跟着指引操作,5分钟即可完成个性化设置。
一、准备符合规范的模型文件
BongoCat支持标准Live2D Cubism 3/4格式的模型文件,你需要准备以下文件结构:
- 主配置文件(.model3.json)
- 模型数据文件(.moc3)
- 纹理图片文件夹(包含.png格式纹理图)
- 动作文件(.motion3.json,可选)
- 表情文件(.exp3.json,可选)
官方预设模型结构可参考:src-tauri/assets/models/standard/
模型配置文件(.model3.json)是关键,需要正确定义文件引用关系。以下是一个基本的配置示例:
{
"Version": 3,
"FileReferences": {
"Moc": "demomodel.moc3",
"Textures": [
"demomodel.1024/texture_00.png",
"demomodel.1024/texture_01.png"
],
"Motions": {
"CAT_motion": [
{
"File": "live2d_motion1.motion3.json",
"FadeInTime": 0.5
}
]
}
}
}
二、导入模型到BongoCat
-
创建模型文件夹 在项目的模型目录中创建新文件夹:src-tauri/assets/models/ 建议使用有意义的名称(如"my_custom_cat")作为你的模型标识。
-
复制文件到目录 将准备好的所有模型文件复制到新创建的文件夹中,保持文件结构与官方模型一致。确保所有文件路径在.model3.json中正确引用,相对路径以配置文件所在位置为基准。
-
修改模型存储配置 编辑模型存储文件:src/stores/model.ts 在初始化函数中添加你的模型信息:
nextModels.unshift({
id: "my_custom_cat", // 唯一标识
mode: "standard", // 模型类型:standard/keyboard/gamepad
isPreset: false, // 设为false表示自定义模型
path: join(modelsPath, "my_custom_cat"), // 模型文件夹路径
})
三、配置模型交互行为
BongoCat通过参数映射实现模型对用户输入的响应,你需要配置键盘按键与模型动作的对应关系。
-
编辑模型交互逻辑 打开模型交互逻辑文件:src/composables/useModel.ts
-
设置按键响应 在handlePress函数中添加按键与动作的映射关系:
const handlePress = (key: string) => {
// 自定义按键映射
const keyMappings = {
'KeyA': 'left_paw',
'KeyS': 'right_paw',
'Space': 'jump'
};
const motionPath = modelStore.supportKeys[keyMappings[key]];
if (motionPath) {
live2d.startMotion(motionPath);
}
}
- 调整模型大小与位置 如果导入的模型大小不合适,可以在handleResize函数中调整缩放比例:
catStore.window.scale = round((size.width / width) * 80); // 80为缩放百分比
四、应用与测试
完成上述步骤后,重新启动BongoCat应用,在设置界面的模型选择中就能看到你的自定义模型了。点击应用后,模型会立即加载并对你的键盘操作做出反应。
如果模型无法加载或动作异常,可以检查:
- 模型文件路径是否正确
- .model3.json配置是否有语法错误
- 纹理图片格式是否为PNG且尺寸合适
- 模型文件权限是否正常
现在,你已经成功创建了专属的BongoCat模型!尝试添加更多自定义动作和表情,让你的桌面猫咪更加生动有趣。如有疑问,可以参考项目官方文档或提交issue获取帮助。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
