正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

目前搭建数字人对话系统，除了部署复杂外，还对性能配置显存依赖非常高，而且延迟问题也很严重。今天在 GitHub 上看到 Open Avatar Chat 这个开源项目，正好给出了解决方案。只需在自己个人电脑上就能运行一个能与我们实时对话的数字人系统，平均回答延迟仅 2.2 秒。 GitHub：主要特性： - 低延迟数字人实时对话，平均响应时间 2.2 秒 - 支持多模态交互，包括文本、音频、视频输入 - 模块化架构设计，可灵活替换各个组件 - 预置 100+ 数字人形象，支持 LiteAvatar 和 LAM 两种渲染方式 - 前后端分离，方便自定义界面和扩展功能 - 支持本地推理和云端 API 两种部署模式提供 Docker 一键快速部署方式，对于想要快速搭建数字人应用的开发者来说，这个项目值得尝试。

GitHubDaily

71,761 subscribers

29,274 次观看 • 11 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

实时语音交互数字人的一个项目：VideoChat，支持端到端语音方案，可自定义数字人形象与音色，支持音色克隆支持唇形同步，支持视频流输出支持端到端语音方案和级联方案首包延迟低，级联方案3秒，端到端方案7秒 github： #数字人 #VideoChat #AI数字人

实时语音交互数字人的一个项目：VideoChat，支持端到端语音方案，可自定义数字人形象与音色，支持音色克隆支持唇形同步，支持视频流输出支持端到端语音方案和级联方案首包延迟低，级联方案3秒，端到端方案7秒 github： #数字人 #VideoChat #AI数字人

AIGCLINK

16,365 次观看 • 1 年前

硅基智能将其DUIX（Dialogue User Interface System）开源了 DUIX是2D 真人级、AIGC 实时渲染数字人模型！开发者可自行接入多方大模型、语音识别（ASR）、语音合成（TTS）能力实现数字人实时交互可在Android和iOS多终端一键部署，DUIX还提供了 14 个数字人模板支持低成本快速部署在 iOS、安卓或者大屏上，在平板、车载系统上也能流畅运行支持 50 帧/秒的流畅画面，视频生成效率超过 1:0.5、满足直播等一些对实时性要求很高的场景能精准的模拟动作、说话的唇形、微表情应用场景：AI伴侣、直播带货、数字人短视频生成、批量数字人口播视频内容生成，抖音/视频号等平台的营销推广、品牌IP、内容制作等 github： #数字人 #AI数字人 #DUIX

硅基智能将其DUIX（Dialogue User Interface System）开源了 DUIX是2D 真人级、AIGC 实时渲染数字人模型！开发者可自行接入多方大模型、语音识别（ASR）、语音合成（TTS）能力实现数字人实时交互可在Android和iOS多终端一键部署，DUIX还提供了 14 个数字人模板支持低成本快速部署在 iOS、安卓或者大屏上，在平板、车载系统上也能流畅运行支持 50 帧/秒的流畅画面，视频生成效率超过 1:0.5、满足直播等一些对实时性要求很高的场景能精准的模拟动作、说话的唇形、微表情应用场景：AI伴侣、直播带货、数字人短视频生成、批量数字人口播视频内容生成，抖音/视频号等平台的营销推广、品牌IP、内容制作等 github： #数字人 #AI数字人 #DUIX

AIGCLINK

60,900 次观看 • 2 年前

酷，新出的一款端到端AI语音模型：Voila，全双工能同时听和说，低延迟，预置了一百万种语音还支持ASR、TTS以及多语言语音翻译端到端架构，支持全双工的低延迟对话，延迟195毫秒，超人类平均响应时间能实时自主对话，持续聆听、推理以及主动回应，通过文本指令可以定义说话者的身份以及语气等特征 #语音模型 #Voila #TTS #ASR

酷，新出的一款端到端AI语音模型：Voila，全双工能同时听和说，低延迟，预置了一百万种语音还支持ASR、TTS以及多语言语音翻译端到端架构，支持全双工的低延迟对话，延迟195毫秒，超人类平均响应时间能实时自主对话，持续聆听、推理以及主动回应，通过文本指令可以定义说话者的身份以及语气等特征 #语音模型 #Voila #TTS #ASR

AIGCLINK

37,702 次观看 • 1 年前

震惊了，抖音上祁博士一天卖 50w 的数字人 agent，我2 分钟就开发完成了。用的就是Pixelle-Video这个项目，已经22k stars。包括数字人口播、动作迁移、图生视频全支持。支持ComfyUI，输入主题，从写脚本到加 BGM 到出片，一条龙自动跑视频。老王部署到本地，做了个简短的视频，属于插图式的视频，如果你需要更复杂的视频，需要自己配置云端模型比如 seedance2，kling 等等。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便 >文案层：LLM 读主题，吐出带时间戳的结构化脚本，每>句对应一段画面。 >画面层：脚本每句转生图提示词，扔给 ComfyUI 或直连 DashScope 出图，图生视频和数字人口播也走这一层。 >语音层：脚本原文走 TTS 合成，多语言加音色克隆，不用自己录音。 >合成层：画面对齐语音时间轴，叠上 BGM，输出 MP4。仓库： P.S. 想到了就能出片，懂一点 AI 编程，这个项目就能自己做成适合各行业的数字人 agent。

震惊了，抖音上祁博士一天卖 50w 的数字人 agent，我2 分钟就开发完成了。用的就是Pixelle-Video这个项目，已经22k stars。包括数字人口播、动作迁移、图生视频全支持。支持ComfyUI，输入主题，从写脚本到加 BGM 到出片，一条龙自动跑视频。老王部署到本地，做了个简短的视频，属于插图式的视频，如果你需要更复杂的视频，需要自己配置云端模型比如 seedance2，kling 等等。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便 >文案层：LLM 读主题，吐出带时间戳的结构化脚本，每>句对应一段画面。 >画面层：脚本每句转生图提示词，扔给 ComfyUI 或直连 DashScope 出图，图生视频和数字人口播也走这一层。 >语音层：脚本原文走 TTS 合成，多语言加音色克隆，不用自己录音。 >合成层：画面对齐语音时间轴，叠上 BGM，输出 MP4。仓库： P.S. 想到了就能出片，懂一点 AI 编程，这个项目就能自己做成适合各行业的数字人 agent。

产品经理老王霸

194,100 次观看 • 1 个月前

$兄弟们，这个数字人工具感觉不错我刚安装好，正在体验一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。这个一个安装包，然后下载模型即可，很容易上手可以生成带有数字人的视频，并且保持嘴型和声音是同步的。支持语音合成和声音克隆支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。$

兄弟们，这个数字人工具感觉不错我刚安装好，正在体验一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。这个一个安装包，然后下载模型即可，很容易上手可以生成带有数字人的视频，并且保持嘴型和声音是同步的。支持语音合成和声音克隆支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。

小互

41,028 次观看 • 1 年前

首个开源的会话音频生成基础模型：Hertz-dev，实时语音交互，8.5亿参数全双工，可以同时听和说超低延迟，可在120毫秒内回应，像和真人对话一样流畅，没有明显卡顿感是目前公开的同类系统中最快的 github： #Hertzdev #AI实时语音系统

首个开源的会话音频生成基础模型：Hertz-dev，实时语音交互，8.5亿参数全双工，可以同时听和说超低延迟，可在120毫秒内回应，像和真人对话一样流畅，没有明显卡顿感是目前公开的同类系统中最快的 github： #Hertzdev #AI实时语音系统

AIGCLINK

34,506 次观看 • 1 年前

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

AIGCLINK

52,214 次观看 • 1 年前

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

小互

85,697 次观看 • 1 年前

NVIDIA 发布了类似豆包语音聊天的大模型 NVIDIA 放出了 PersonaPlex-7B-V1, 一个 7B 参数的全双工实时语音对话模型, 你可以理解为开源版的豆包语音聊天! 这玩意儿最牛的地方在于: 真正的全双工, 也就是说它能一边说一边听. 你打断它? 没问题, 它能立刻停下来听你说. 你俩同时说话? 也能处理. 这就是为啥叫 "Full Duplex" (全双工), 跟打电话一样自然. 技术上怎么实现的? 采用双流配置架构, 监听流和说话流同时运行. 模型基于 Moshi 架构魔改, 用 Mimi 编码器把语音压缩成神经编解码器 Token, 然后 7B 的 Transformer 同时预测文本和音频 Token, 最后 Mimi 解码器输出语音. 整个过程是流式的, 延迟极低. 还有个骚操作: 双重提示条件化. 你可以给它一段声音样本当 "声音提示", 它就能模仿那个声音风格说话; 再给个文本提示定义角色人设, 比如 "你是一个耐心的客服", 它就按这个人设来对话. 声音 + 人设, 都能定制. 跑分成绩: 在 FullDuplexBench 基准测试上, 平滑轮换成功率 90.8%, 用户打断处理成功率高达 95%, 响应延迟只有 170ms, 打断延迟 240ms. 官方说在对话动态、延迟、任务一致性上都优于其他开源和商业系统. 限制嘛: 目前只支持英语, 推荐硬件是 A100 80GB 或 H100, 不是一般人能跑得起的. 看了下训练数据用的是 Fisher English 数据集, 不到 1 万小时. 好消息是采用 NVIDIA Open Model License, 商用可用! 模型地址:

NVIDIA 发布了类似豆包语音聊天的大模型 NVIDIA 放出了 PersonaPlex-7B-V1, 一个 7B 参数的全双工实时语音对话模型, 你可以理解为开源版的豆包语音聊天! 这玩意儿最牛的地方在于: 真正的全双工, 也就是说它能一边说一边听. 你打断它? 没问题, 它能立刻停下来听你说. 你俩同时说话? 也能处理. 这就是为啥叫 "Full Duplex" (全双工), 跟打电话一样自然. 技术上怎么实现的? 采用双流配置架构, 监听流和说话流同时运行. 模型基于 Moshi 架构魔改, 用 Mimi 编码器把语音压缩成神经编解码器 Token, 然后 7B 的 Transformer 同时预测文本和音频 Token, 最后 Mimi 解码器输出语音. 整个过程是流式的, 延迟极低. 还有个骚操作: 双重提示条件化. 你可以给它一段声音样本当 "声音提示", 它就能模仿那个声音风格说话; 再给个文本提示定义角色人设, 比如 "你是一个耐心的客服", 它就按这个人设来对话. 声音 + 人设, 都能定制. 跑分成绩: 在 FullDuplexBench 基准测试上, 平滑轮换成功率 90.8%, 用户打断处理成功率高达 95%, 响应延迟只有 170ms, 打断延迟 240ms. 官方说在对话动态、延迟、任务一致性上都优于其他开源和商业系统. 限制嘛: 目前只支持英语, 推荐硬件是 A100 80GB 或 H100, 不是一般人能跑得起的. 看了下训练数据用的是 Fisher English 数据集, 不到 1 万小时. 好消息是采用 NVIDIA Open Model License, 商用可用! 模型地址:

karminski-牙医

25,426 次观看 • 5 个月前

字节发布了一款端到端同声传译模型：Seed LiveInterpret 2.0，中英双向端到端同传，延迟为2-3秒从演示效果看，准确性、复杂场景的处理、声音情绪的表达、语音克隆音色转换的效果相对都还可以性能上，语音到语音翻译，中英互译平均翻译质量到了66.3分，接近专业真人同传水平延迟上，语音到文本输出首字平均延迟2.21秒，语音到语音输出延时2.53 秒功能上支持实时声音复刻，复刻不同说话人的音色擅长多人对话、非流利语音以及长音频场景对绕口令、诗词、美食文化等可相对自然互译 #AI同传 #SeedLiveInterpret #字节同传

字节发布了一款端到端同声传译模型：Seed LiveInterpret 2.0，中英双向端到端同传，延迟为2-3秒从演示效果看，准确性、复杂场景的处理、声音情绪的表达、语音克隆音色转换的效果相对都还可以性能上，语音到语音翻译，中英互译平均翻译质量到了66.3分，接近专业真人同传水平延迟上，语音到文本输出首字平均延迟2.21秒，语音到语音输出延时2.53 秒功能上支持实时声音复刻，复刻不同说话人的音色擅长多人对话、非流利语音以及长音频场景对绕口令、诗词、美食文化等可相对自然互译 #AI同传 #SeedLiveInterpret #字节同传

AIGCLINK

78,282 次观看 • 1 年前

学外语时最头疼的就是词汇积累，平时遇到生词要停下来查字典、做笔记，然后还得专门抽时间复习，整个流程颇繁琐。今天在 GitHub 上发现 WordPecker 这个开源项目，它把个人化词汇管理和 Duolingo（多邻国）式练习完美结合在一起。通过 AI 智能发现词汇、语音对话练习和图像描述学习等创新交互方式，让我们能在真实语境中自然地积累和掌握新词汇。 GitHub：主要功能： - Vision Garden 图像描述学习，通过描述图片自然发现词汇盲点 - AI 语音对话练习，与智能导师进行真实的词汇对话训练 - 智能词汇发现系统，根据兴趣主题和难度自动生成学习内容 - 个人化词汇列表管理，支持上下文相关的词义解释 - 多语言学习支持，可用任意语言学习任意目标语言 - 5 种题型练习模式，包括选择题、填空、匹配等多样化训练支持 Docker 一键部署，需配置 OpenAI API 密钥，有学习外语需求的同学不妨试下该工具。

学外语时最头疼的就是词汇积累，平时遇到生词要停下来查字典、做笔记，然后还得专门抽时间复习，整个流程颇繁琐。今天在 GitHub 上发现 WordPecker 这个开源项目，它把个人化词汇管理和 Duolingo（多邻国）式练习完美结合在一起。通过 AI 智能发现词汇、语音对话练习和图像描述学习等创新交互方式，让我们能在真实语境中自然地积累和掌握新词汇。 GitHub：主要功能： - Vision Garden 图像描述学习，通过描述图片自然发现词汇盲点 - AI 语音对话练习，与智能导师进行真实的词汇对话训练 - 智能词汇发现系统，根据兴趣主题和难度自动生成学习内容 - 个人化词汇列表管理，支持上下文相关的词义解释 - 多语言学习支持，可用任意语言学习任意目标语言 - 5 种题型练习模式，包括选择题、填空、匹配等多样化训练支持 Docker 一键部署，需配置 OpenAI API 密钥，有学习外语需求的同学不妨试下该工具。

GitHubDaily

61,858 次观看 • 1 年前

今天在 GitHub Trending 榜单上发现一个轻量级灵活的开源多 AI 智能体协调框架：Agent Squad。它能够根据我们发送的内容智能路由到最合适的 AI 智能体，并在不同智能体之间维持对话上下文。 GitHub：主要特性： - 智能意图分类，根据上下文将查询动态路由到最合适的智能体； - 支持 Python 和 TypeScript 语言，满足不同开发需求； - 支持流式和非流式代理响应，显著提升使用体验； - 跨多个智能体的对话上下文管理，保持交互连贯性； - 可扩展架构，轻松集成新智能体或自定义现有智能体； - 支持从 AWS Lambda 到本地环境的任何地方部署； - 实现多个专业智能体的团队协作和并行处理。该框架适合用于构建复杂的对话式 AI 系统，如智能客服、旅行规划或电商支持平台等。

今天在 GitHub Trending 榜单上发现一个轻量级灵活的开源多 AI 智能体协调框架：Agent Squad。它能够根据我们发送的内容智能路由到最合适的 AI 智能体，并在不同智能体之间维持对话上下文。 GitHub：主要特性： - 智能意图分类，根据上下文将查询动态路由到最合适的智能体； - 支持 Python 和 TypeScript 语言，满足不同开发需求； - 支持流式和非流式代理响应，显著提升使用体验； - 跨多个智能体的对话上下文管理，保持交互连贯性； - 可扩展架构，轻松集成新智能体或自定义现有智能体； - 支持从 AWS Lambda 到本地环境的任何地方部署； - 实现多个专业智能体的团队协作和并行处理。该框架适合用于构建复杂的对话式 AI 系统，如智能客服、旅行规划或电商支持平台等。

GitHubDaily

14,367 次观看 • 1 年前

分享一个真正能落地的开源数字人框架——Fay 📦 📍核心亮点： ▸ 完全开源（GPL-3.0），商用免费 ▸ 全离线可用，数据安全有保障 ▸ 模块化设计，像搭积木一样自由组合 ▸ 支持MCP工具调用 + 仿生记忆 ▸ 内置Web管理页面，小白也能轻松上手 📍适用场景： ▸ 虚拟主播 / 直播带货 ▸ 智能客服 / 商场导购 ▸ 个人AI助理 / 智能音箱 ▸ 数字人面试官 / 心理测评 ▸ 教学数字人 / 运维机器人我用它搭了个虚拟助理，从克隆到跑起来不到半小时。有想搞数字人副业或者做AI产品的朋友，这绝对是目前中文社区最完整的开源方案。

分享一个真正能落地的开源数字人框架——Fay 📦 📍核心亮点： ▸ 完全开源（GPL-3.0），商用免费 ▸ 全离线可用，数据安全有保障 ▸ 模块化设计，像搭积木一样自由组合 ▸ 支持MCP工具调用 + 仿生记忆 ▸ 内置Web管理页面，小白也能轻松上手 📍适用场景： ▸ 虚拟主播 / 直播带货 ▸ 智能客服 / 商场导购 ▸ 个人AI助理 / 智能音箱 ▸ 数字人面试官 / 心理测评 ▸ 教学数字人 / 运维机器人我用它搭了个虚拟助理，从克隆到跑起来不到半小时。有想搞数字人副业或者做AI产品的朋友，这绝对是目前中文社区最完整的开源方案。

axiaisacat

22,809 次观看 • 7 天前

发现集成了 NotebookLM 和 Perplexity 两者核心功能的开源平替：SurfSense。不仅支持 27 种文件格式上传到个人库，还能通过自然语言与这些内容互动并提供引用答案。同时还可以连接搜索引擎、Slack、Notion、GitHub 等外部平台，甚至能在 20 秒内生成 3 分钟高质量播客。 GitHub：主要功能： - 支持 27 种文件格式上传到私人知识库； - 通过自然语言对话获取引用答案； - 超快速生成高质量播客内容； - 连接多种外部资源（搜索引擎、Slack、Notion等）； - 使用先进 RAG 技术提升检索精准度； - 跨浏览器扩展可保存任何网页，包括需验证页面； - 项目完全开源，可私有化部署。通过 Docker 或手动方式轻松部署，并分别提供了 Windows、macOS 和 Linux 系统详细部署教程。

发现集成了 NotebookLM 和 Perplexity 两者核心功能的开源平替：SurfSense。不仅支持 27 种文件格式上传到个人库，还能通过自然语言与这些内容互动并提供引用答案。同时还可以连接搜索引擎、Slack、Notion、GitHub 等外部平台，甚至能在 20 秒内生成 3 分钟高质量播客。 GitHub：主要功能： - 支持 27 种文件格式上传到私人知识库； - 通过自然语言对话获取引用答案； - 超快速生成高质量播客内容； - 连接多种外部资源（搜索引擎、Slack、Notion等）； - 使用先进 RAG 技术提升检索精准度； - 跨浏览器扩展可保存任何网页，包括需验证页面； - 项目完全开源，可私有化部署。通过 Docker 或手动方式轻松部署，并分别提供了 Windows、macOS 和 Linux 系统详细部署教程。

GitHubDaily

29,492 次观看 • 1 年前

有位开发者把 Gemini CLI 做成了可视化聊天对话操作界面了，项目已开源，名为 “AionUi”。可以同时开多个会话，支持拖拽上传文件、预览代码改动、还提供可视化界面配置 Gemini API。 GitHub：主要功能： - 多会话管理，同时处理不同项目的 AI 对话 - 可视化文件树，拖拽选择文件一键集成到聊天 - 持久化历史记录，所有对话本地保存永不丢失 - 代码差异视图，文件变更的并排对比功能 - 富文本渲染，支持代码块和格式化内容展示跨平台支持，提供 macOS 和 Windows 安装包，安装后配置 Gemini API 即可使用。想要体验 Gemini CLI，但因复杂的终端命令，难以上手的同学，可以看下这个工具。

有位开发者把 Gemini CLI 做成了可视化聊天对话操作界面了，项目已开源，名为 “AionUi”。可以同时开多个会话，支持拖拽上传文件、预览代码改动、还提供可视化界面配置 Gemini API。 GitHub：主要功能： - 多会话管理，同时处理不同项目的 AI 对话 - 可视化文件树，拖拽选择文件一键集成到聊天 - 持久化历史记录，所有对话本地保存永不丢失 - 代码差异视图，文件变更的并排对比功能 - 富文本渲染，支持代码块和格式化内容展示跨平台支持，提供 macOS 和 Windows 安装包，安装后配置 Gemini API 即可使用。想要体验 Gemini CLI，但因复杂的终端命令，难以上手的同学，可以看下这个工具。

GitHubDaily

30,110 次观看 • 11 个月前

之前介绍过的Topview AI 首创的手持产品数字人最近他们又发布了新版本Topview Avatar 2 实测效果很哇塞很适合出海电商 - 不仅能手持产品，还支持任意产品，任意尺寸，对人和产品的空间交互关系理解很到位 - 只需一张产品图片+模特图片，就能生成逼真的数字人带货视频。 - 可通过 Prompt自定义数字人形象，能讲各种语言，以后真的不需要找模特了

小互

17,396 次观看 • 1 年前

最近在玩一个开源的 Voice Agent 框架，TEN Framework：，它有点像「实时语音 / 多模态 Agent 的操作系统」：在一套统一的实时流框架里，把 STT、LLM、TTS、VAD、Avatar 这些模块做成可插拔的“积木”，可以按需组合、替换，重点就是把和 AI 实时对话相关的低延迟、多模态和跨端部署这些工程问题打包解决掉。花 10min 本地部署跑起来，还没有替换其他的东西，实际体验下它的实时语音问答挺丝滑：可以打断、响应够快，延迟大概在 1s 左右。像 Memory、RAG 这类常见能力也都已经帮你接好了，基于这些再往上可以扩展到 AI 情感陪伴、AI 口语陪练、电话 AI 客服、智能语音硬件这些场景。我用官方案例测试了一下，效果还不错，对「真·实时」语音 Agent 感兴趣的同学可以看看这个开源框架。

Tw93

35,452 次观看 • 7 个月前

抖音祁博士那套数字人 Agent产品，一天居然能卖 50 万。同样的东西，老王2 分钟就在本地电脑部署好了。用的就是 Pixelle-Video 这个开源项目，GitHub 上都 22k 星了。数字人口播、动作迁移、图生视频全支持，底层接的是 ComfyUI。给它一个主题，从写脚本、配图、配音到加 BGM、出片，一条龙就跑完一条视频。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便。简单说，就是四步：写稿、出图、配音、剪成片。 >写稿你把主题扔给大模型，它给你一份分镜脚本。每句话都标了时间，还写清楚这句该配什么画面。后面全都围着这份稿子走。 >出图脚本里每一句，再变成生图提示词，交给 ComfyUI 或 DashScope 出图。要动的就走图生视频，要真人出镜口播的走数字人。画面都在这一步搞定。 >配音脚本原文直接进 TTS 念出来。换语言、克隆某个音色，也在这里做，不用自己录。 >剪成片画面按语音时间轴一段段对齐，铺上 BGM，导出 MP4。现在，立刻，跟你的 AI 去对话，让他帮你安装，本地就能运行了。

抖音祁博士那套数字人 Agent产品，一天居然能卖 50 万。同样的东西，老王2 分钟就在本地电脑部署好了。用的就是 Pixelle-Video 这个开源项目，GitHub 上都 22k 星了。数字人口播、动作迁移、图生视频全支持，底层接的是 ComfyUI。给它一个主题，从写脚本、配图、配音到加 BGM、出片，一条龙就跑完一条视频。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便。简单说，就是四步：写稿、出图、配音、剪成片。 >写稿你把主题扔给大模型，它给你一份分镜脚本。每句话都标了时间，还写清楚这句该配什么画面。后面全都围着这份稿子走。 >出图脚本里每一句，再变成生图提示词，交给 ComfyUI 或 DashScope 出图。要动的就走图生视频，要真人出镜口播的走数字人。画面都在这一步搞定。 >配音脚本原文直接进 TTS 念出来。换语言、克隆某个音色，也在这里做，不用自己录。 >剪成片画面按语音时间轴一段段对齐，铺上 BGM，导出 MP4。现在，立刻，跟你的 AI 去对话，让他帮你安装，本地就能运行了。

产品经理老王霸

39,463 次观看 • 1 个月前