AI Iris Avatar项目部署与使用全指南

项目概述

AI Iris Avatar是一个结合大型语言模型(LLM)与3D虚拟形象的交互系统，通过Unity客户端实现可视化交互，Python服务端处理AI逻辑。项目核心功能包括：

• 本地运行的LLM对话系统
• 高质量的文本转语音(TTS)功能
• 3D虚拟形象的唇形同步
• 可扩展的交互系统

环境准备

1. 本地LLM模型管理(Ollama)

Ollama是本项目推荐的LLM模型管理工具，支持多种开源模型。

安装步骤：

1. 下载并安装Ollama
2. 拉取所需模型，例如Gemma 2B指令模型：

   ollama pull gemma:2b-instruct
   

3. 验证安装：

   ollama show gemma:2b-instruct --modelfile
   ollama run gemma:2b-instruct
   

2. Python服务端环境

要求Python 3.9-3.11版本（TTS库暂不支持Python 3.12）

配置步骤：

1. 创建虚拟环境：

   python3.11 -m venv .venv
   

2. 激活环境：

   source .venv/Scripts/activate
   

3. 安装依赖：

   pip install -r requirements.txt
   

4. (可选)安装CUDA版PyTorch加速TTS：

   pip install torch==2.2.2+cu118 -f https://download.pytorch.org/whl/torch_stable.html
   

服务端启动与配置

基础启动

python.exe main.py serve --config "config_xtts.yaml"

首次运行会自动下载XTTS v2.0模型，启动后可通过浏览器访问控制面板。

配置详解

项目提供多个配置文件模板：

• config_xtts.yaml：默认XTTS配置
• config.example.yaml：完整配置示例

关键配置项：

• llm.model：指定使用的LLM模型
• tts.model_name：TTS模型选择
• tts.speaker：语音角色选择
• tts.language：语音语言设置

实用命令

• 列出可用TTS模型：

  tts --list_models
  

• 生成语音样本测试：

  make xtts-speak-test
  

• 列出XTTS可用说话人：

  make xtts-list-speakers
  

Unity客户端使用

基础操作

1. 导入Unity项目
2. 打开OutdoorsScene场景
3. 运行项目，客户端将自动连接Python服务端

唇形同步优化

项目集成了Oculus Lipsync技术，可通过调整以下参数优化效果：

• 形状关键帧插值方式
• 嘴型变化平滑度
• 特定音素(如m、b、p)的嘴型保持

构建发布

遵循Unity官方文档进行平台适配构建，支持多平台发布。

高级功能配置

1. 模型替换

LLM模型替换

1. 通过Ollama拉取新模型
2. 修改配置文件中的llm.model项
3. 可能需要调整server/app_logic.py中的_exec_llm()函数

TTS模型替换

支持多种TTS模型：

• XTTS v2.0（默认）
• Bark
• Tortoise-TTS
• Glow/VITS等

修改配置文件中的tts.model_name即可切换。

2. 语音克隆

XTTS v2.0支持语音克隆功能：

1. 准备目标语音的WAV样本
2. 配置文件中设置tts.sample_of_cloned_voice_wav
3. 注意这会增加推理时间

3. 性能优化

DeepSpeed加速

可提升TTS推理速度约2倍，配置要求：

• CUDA版PyTorch
• 配置文件启用tts.deepspeed_enabled和tts.use_gpu
• 正确安装DeepSpeed

Windows安装提示：

• 需下载预编译的whl文件
• 匹配Python、CUDA和PyTorch版本

TTS流式处理

实现分块语音生成，减少首字延迟：

1. 启用配置文件中的tts.streaming_enabled
2. 可调整分块大小和交叉淡入淡出参数
3. 需要足够GPU性能支持

常见问题解答

无响应问题

通常由VRAM不足引起：

1. 关闭占用显存的其他应用
2. 重启Ollama服务
3. 监控显存使用情况
4. 确认模型已正确加载

添加语音识别(STT)

项目本身不包含STT功能，但可通过以下方式扩展：

1. 使用Whisper等语音识别模型
2. 通过/prompt端点发送识别结果
3. 集成到现有WebSocket通信流程中

唇形同步优化

调整Oculus Lipsync参数：

• 增加形状过渡平滑度
• 调整音素识别阈值
• 优化嘴型保持参数

扩展开发

外部触发动作

Unity客户端通过WebSocket与服务器通信，扩展流程：

1. 添加新的消息处理器
2. 定义消息类型和数据结构
3. 在Unity中实现对应动作响应

示例代码结构参考WebSocketMsgHandler.cs实现。

自定义语音处理

可通过PyDub库对TTS输出进行后处理：

• 音高调整
• 语速变化
• 音频剪辑等

结语

AI Iris Avatar项目提供了完整的本地AI虚拟形象解决方案，通过灵活的配置和扩展接口，开发者可以构建个性化的交互体验。从基础的对话功能到高级的语音克隆和性能优化，项目为不同需求提供了多种实现路径。