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:
- 下载并安装Ollama
- 拉取所需模型,例如Gemma 2B指令模型:
ollama pull gemma:2b-instruct
- 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:
- 创建虚拟环境:
python3.11 -m venv .venv
- 激活环境:
source .venv/Scripts/activate
- 安装依赖:
pip install -r requirements.txt
- (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
- 导入Unity项目
- 打开OutdoorsScene场景
- 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
- 通过Ollama拉取新模型
- 修改配置文件中的
llm.model
项 - 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:
- 准备目标语音的WAV样本
- 配置文件中设置
tts.sample_of_cloned_voice_wav
- 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:
- 启用配置文件中的
tts.streaming_enabled
- 可调整分块大小和交叉淡入淡出参数
- 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:
- 关闭占用显存的其他应用
- 重启Ollama服务
- 监控显存使用情况
- 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:
- 使用Whisper等语音识别模型
- 通过
/prompt
端点发送识别结果 - 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:
- 添加新的消息处理器
- 定义消息类型和数据结构
- 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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~054CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0377- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
179
263

🎉 (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 kernel ~ openGauss is an open source relational database management system
C++
130
183

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

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-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

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

deepin linux kernel
C
22
5

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 Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58