首页
/ AI Iris Avatar项目部署与使用全指南

AI Iris Avatar项目部署与使用全指南

2025-06-12 23:30:08作者:邵娇湘

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
  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_enabledtts.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。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
869
514
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
328
377
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
28
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0
kernelkernel
deepin linux kernel
C
22
5
WxJavaWxJava
微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58