AI Iris Avatar项目部署与使用全指南
2025-06-12 16:41:04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
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-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~0277community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
405
387

🎉 (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
941
555

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70

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
992
395

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
509
44

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
344
1.32 K

React Native鸿蒙化仓库
C++
194
279