[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yangkang2021--I_am_a_person":3,"tool-yangkang2021--I_am_a_person":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",151918,2,"2026-04-12T11:33:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":76,"languages":77,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":104,"github_topics":74,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":111},6879,"yangkang2021\u002FI_am_a_person","I_am_a_person","实时互动的GPT数字人技术笔记，不是数字人开源项目","I_am_a_person 并非一个直接可用的开源软件，而是一份详尽的实时互动 GPT 数字人技术指南与资源索引。它系统性地梳理了从数据预处理、形象生成、语音识别、大模型对话到语音合成及驱动渲染的全流程技术栈，旨在解决开发者在构建数字人时面临的技术选型困难与知识碎片化问题。\n\n这份笔记涵盖了当前业界主流且前沿的开源方案：在视觉处理上，集成了 TransNetV2 镜头分割、BiRefNet V2 一键抠图及多种人脸检测模型；在听觉与大脑层面，推荐了 FunASR、SenseVoice 等语音识别工具，以及 Index-1.9B 等角色扮演大模型；在声音合成方面，收录了 GPT-SoVITS、CosyVoice 和 Fish-Speech 等高质量 TTS 项目；更涉及 NeRF、3D 高斯溅射（Gaussian Splatting）等先进的三维重建与驱动技术。\n\nI_am_a_person 特别适合 AI 开发者、研究人员及技术爱好者使用。对于希望从零搭建定制化数字人系统，或需要快速调研各模块最优解决方案的专业人士而言，它提供了一张清晰的技术地图，帮助用户高效整合视频生成、换脸、动作捕","I_am_a_person 并非一个直接可用的开源软件，而是一份详尽的实时互动 GPT 数字人技术指南与资源索引。它系统性地梳理了从数据预处理、形象生成、语音识别、大模型对话到语音合成及驱动渲染的全流程技术栈，旨在解决开发者在构建数字人时面临的技术选型困难与知识碎片化问题。\n\n这份笔记涵盖了当前业界主流且前沿的开源方案：在视觉处理上，集成了 TransNetV2 镜头分割、BiRefNet V2 一键抠图及多种人脸检测模型；在听觉与大脑层面，推荐了 FunASR、SenseVoice 等语音识别工具，以及 Index-1.9B 等角色扮演大模型；在声音合成方面，收录了 GPT-SoVITS、CosyVoice 和 Fish-Speech 等高质量 TTS 项目；更涉及 NeRF、3D 高斯溅射（Gaussian Splatting）等先进的三维重建与驱动技术。\n\nI_am_a_person 特别适合 AI 开发者、研究人员及技术爱好者使用。对于希望从零搭建定制化数字人系统，或需要快速调研各模块最优解决方案的专业人士而言，它提供了一张清晰的技术地图，帮助用户高效整合视频生成、换脸、动作捕捉等模块，避免重复造轮子，加速原型开发与落地进程。","# I_am_a_person\n实时互动GPT数字人\n\n## 零. 数据预处理\n1. 视频分段\n   - TransNetV2：最好的镜头分割模型\n1. 人脸人体检测识别\n   - insightface + buffalo_l：人脸检测、识别、对齐、人脸属性。\n   - https:\u002F\u002Fgithub.com\u002F1adrianb\u002Fface-alignment：里面有人脸检测和对齐。 wav2lip用的这个\n   - yolov8n-face：wav2lip-256用的这个\n   - openface：dinet用的这个\n   - SCRFD ： udh用的这个\n   - mediapipe..solutions.face_detection : DH_Live用的\n   - yoloface_v5m: sonic用的\n1. [数字人音频特征模型](ASR-TTS\u002F数字人音频特征模型.md)\n2. 分割与抠图Matting \n   - 最强AI一键抠图，BiRefNet V2\n   - segnext \n   - paddleseg\n   - face-parsing\n   - DeepLabV3\n   - https:\u002F\u002Fgithub.com\u002FPeterL1n\u002FRobustVideoMatting\n   - 最强AI一键抠图，BiRefNet V2\n   - SAM2\n   - https:\u002F\u002Fgithub.com\u002FZHKKKe\u002FMODNet\n   - segformer\n   - efficientvit-seg\n   - 后期用 guidedfiler 或 jointbilinearfilter \n2. 去字幕\n   - https:\u002F\u002Fgithub.com\u002FYaoFANGUK\u002Fvideo-subtitle-remover\n2. 表情识别\n   - 基于图像的：\n     - https:\u002F\u002Fgithub.com\u002FWiseGeorge\u002FFast-Facial-Emotion-Monitoring-FFEM-Package\n   - 基于文本的：gpt\n2. ocr\n   - https:\u002F\u002Fgithub.com\u002FUcas-HaoranWei\u002FGOT-OCR2.0.git\n   - https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleOCR\n   - https:\u002F\u002Fgithub.com\u002Fjingsongliujing\u002FOnnxOCR\n   - https:\u002F\u002Fkekxv.github.io\u002F2022\u002F07\u002F30\u002FOCR-%E4%BA%BA%E8%84%B8%E7%AE%97%E6%B3%95-opencv-dnn\u002F\n1. 图像视频风格转换\n   - ebsynth\n\n## 一. 数字人形象生成与定制\n1. [视频生成](视频生成\u002F视频生成.md)\n2. [换脸](faceSwap\u002F换脸.md)\n1. AI绘图（stableDiffusion）\n   - [AI绘图系列](stableDiffusion\u002FREADME.md)\n   - [AI绘画的应用方向](stableDiffusion\u002FAI绘画的应用方向.md)\n   - sd，mj，flux，即梦\n3. 写真生成\n   - https:\u002F\u002Fgithub.com\u002Fmodelscope\u002Ffacechain.git\n   \n## 二. 数字人输入--语音识别\n1. [AI语音-01-概述](ASR-TTS\u002FAI语音-01-概述.md)\n1. [k2语音识别.md](1.语音识别\u002Fk2语音识别.md)\n2. whisper\n3. funasr+Paraformer:https:\u002F\u002Fgithub.com\u002Fmodelscope\u002FFunASR\n4. SenseVoice：https:\u002F\u002Fgithub.com\u002FFunAudioLLM\u002FSenseVoice\n5. wenet\n\n## 三. 数字人大脑--大语言模型\n1. 角色扮演模型\n   - Index-1.9B-Character ：https:\u002F\u002Fgithub.com\u002Fbilibili\u002FIndex-1.9B\n   - Character-LLM：https:\u002F\u002Fgithub.com\u002Fchoosewhatulike\u002Ftrainable-agents\n2. 小模型\n   - miniCPM\n   - MiniCPM-V\n   - Phi-3-v\n   - gemna2b\n\n## 四. 数字人讲话唱歌--语音合成\n>排行榜： https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FPendrokar\u002FTTS-Spaces-Arena\n\n1. tts\n   - vits，vits2\n   - [bert-vits2](bert-vits2学习.md)\n   - gpt-sovits\n   - fish-speech V1.5\n   - CosyVoiceV1,V2： https:\u002F\u002Fgithub.com\u002FFunAudioLLM\u002FCosyVoice\n   - F5\n   - maskgct牛逼：https:\u002F\u002Fmaskgct.github.io\u002F,https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002FAmphion\u002Ftree\u002Fmain\u002Fmodels\u002Ftts\u002Fmaskgct\n   - Matcha-TTS\n   - kokoro\n2. 唱歌tts(singing voice conversion)：\n   - so-vits-svc\n   - NeuCoSVC\n   - https:\u002F\u002Fgithub.com\u002FZejun-Yang\u002FAniPortrait\n3. 聊天tts\n   - ChatTTS： https:\u002F\u002Fgithub.com\u002F2noise\u002FChatTTS\n4. 其他\n   - XTTS\n   - openvoice与MeloTTS\n   - https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleSpeech\n   - 支持超过 7000 种语言的文本转语音模型ToucanTTS\n\n## 五. 数字人驱动\n1. [真人数字人项目](数字人\u002FREADME.md)\n3. [动捕](动作与动捕\u002FREADME.md)\n1. 虚拟数字人\n   - [虚幻引擎MetaHuman数字人](ue\u002FREADME.md)\n   - [ue和unity数字人.md](ue\u002Fue和unity数字人.md)\n2. 三维重建数字人\n   - [学习NeRF(新视角合成)](https:\u002F\u002Fgitee.com\u002Fyangkang2022\u002Fnerf-learn)\n   - 3D高斯gaussian-splatting\n   - 苹果联合德国马普所推出的，基于高斯函数的3D数字人合成工具HUGS\n   - https:\u002F\u002Fmachinelearning.apple.com\u002Fresearch\u002Fhugs\n   - 训练45秒，渲染300+FPS！MVSGaussian：高效泛化的混合Gaussian\n   - 超越AnimateAnyone！Meta提出全身3D虚拟人ExAvatar,可由简短视频建模转化为3D数字形象\n\n## 六. 部署\n1. [梅尔普算法及其python和c++实现](梅尔普算法及其python和c++实现.md)\n\n## 七. 其他\n1. [参考项目](参考项目.md)\n","# 我是人\n实时互动GPT数字人\n\n## 零. 数据预处理\n1. 视频分段\n   - TransNetV2：最好的镜头分割模型\n1. 人脸人体检测识别\n   - insightface + buffalo_l：人脸检测、识别、对齐、人脸属性。\n   - https:\u002F\u002Fgithub.com\u002F1adrianb\u002Fface-alignment：里面有人脸检测和对齐。 wav2lip用的这个\n   - yolov8n-face：wav2lip-256用的这个\n   - openface：dinet用的这个\n   - SCRFD ： udh用的这个\n   - mediapipe..solutions.face_detection : DH_Live用的\n   - yoloface_v5m: sonic用的\n1. [数字人音频特征模型](ASR-TTS\u002F数字人音频特征模型.md)\n2. 分割与抠图Matting \n   - 最强AI一键抠图，BiRefNet V2\n   - segnext \n   - paddleseg\n   - face-parsing\n   - DeepLabV3\n   - https:\u002F\u002Fgithub.com\u002FPeterL1n\u002FRobustVideoMatting\n   - 最强AI一键抠图，BiRefNet V2\n   - SAM2\n   - https:\u002F\u002Fgithub.com\u002FZHKKKe\u002FMODNet\n   - segformer\n   - efficientvit-seg\n   - 后期用 guidedfiler 或 jointbilinearfilter \n2. 去字幕\n   - https:\u002F\u002Fgithub.com\u002FYaoFANGUK\u002Fvideo-subtitle-remover\n2. 表情识别\n   - 基于图像的：\n     - https:\u002F\u002Fgithub.com\u002FWiseGeorge\u002FFast-Facial-Emotion-Monitoring-FFEM-Package\n   - 基于文本的：gpt\n2. ocr\n   - https:\u002F\u002Fgithub.com\u002FUcas-HaoranWei\u002FGOT-OCR2.0.git\n   - https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleOCR\n   - https:\u002F\u002Fgithub.com\u002Fjingsongliujing\u002FOnnxOCR\n   - https:\u002F\u002Fkekxv.github.io\u002F2022\u002F07\u002F30\u002FOCR-%E4%BA%BA%E8%84%B8%E7%AE%97%E6%B3%95-opencv-dnn\u002F\n1. 图像视频风格转换\n   - ebsynth\n\n## 一. 数字人形象生成与定制\n1. [视频生成](视频生成\u002F视频生成.md)\n2. [换脸](faceSwap\u002F换脸.md)\n1. AI绘图（stableDiffusion）\n   - [AI绘图系列](stableDiffusion\u002FREADME.md)\n   - [AI绘画的应用方向](stableDiffusion\u002FAI绘画的应用方向.md)\n   - sd，mj，flux，即梦\n3. 写真生成\n   - https:\u002F\u002Fgithub.com\u002Fmodelscope\u002Ffacechain.git\n   \n## 二. 数字人输入--语音识别\n1. [AI语音-01-概述](ASR-TTS\u002FAI语音-01-概述.md)\n1. [k2语音识别.md](1.语音识别\u002Fk2语音识别.md)\n2. whisper\n3. funasr+Paraformer:https:\u002F\u002Fgithub.com\u002Fmodelscope\u002FFunASR\n4. SenseVoice：https:\u002F\u002Fgithub.com\u002FFunAudioLLM\u002FSenseVoice\n5. wenet\n\n## 三. 数字人大脑--大语言模型\n1. 角色扮演模型\n   - Index-1.9B-Character ：https:\u002F\u002Fgithub.com\u002Fbilibili\u002FIndex-1.9B\n   - Character-LLM：https:\u002F\u002Fgithub.com\u002Fchoosewhatulike\u002Ftrainable-agents\n2. 小模型\n   - miniCPM\n   - MiniCPM-V\n   - Phi-3-v\n   - gemna2b\n\n## 四. 数字人讲话唱歌--语音合成\n>排行榜： https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FPendrokar\u002FTTS-Spaces-Arena\n\n1. tts\n   - vits，vits2\n   - [bert-vits2](bert-vits2学习.md)\n   - gpt-sovits\n   - fish-speech V1.5\n   - CosyVoiceV1,V2： https:\u002F\u002Fgithub.com\u002FFunAudioLLM\u002FCosyVoice\n   - F5\n   - maskgct牛逼：https:\u002F\u002Fmaskgct.github.io\u002F,https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002FAmphion\u002Ftree\u002Fmain\u002Fmodels\u002Ftts\u002Fmaskgct\n   - Matcha-TTS\n   - kokoro\n2. 唱歌tts(singing voice conversion)：\n   - so-vits-svc\n   - NeuCoSVC\n   - https:\u002F\u002Fgithub.com\u002FZejun-Yang\u002FAniPortrait\n3. 聊天tts\n   - ChatTTS： https:\u002F\u002Fgithub.com\u002F2noise\u002FChatTTS\n4. 其他\n   - XTTS\n   - openvoice与MeloTTS\n   - https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleSpeech\n   - 支持超过 7000 种语言的文本转语音模型ToucanTTS\n\n## 五. 数字人驱动\n1. [真人数字人项目](数字人\u002FREADME.md)\n3. [动捕](动作与动捕\u002FREADME.md)\n1. 虚拟数字人\n   - [虚幻引擎MetaHuman数字人](ue\u002FREADME.md)\n   - [ue和unity数字人.md](ue\u002Fue和unity数字人.md)\n2. 三维重建数字人\n   - [学习NeRF(新视角合成)](https:\u002F\u002Fgitee.com\u002Fyangkang2022\u002Fnerf-learn)\n   - 3D高斯gaussian-splatting\n   - 苹果联合德国马普所推出的，基于高斯函数的3D数字人合成工具HUGS\n   - https:\u002F\u002Fmachinelearning.apple.com\u002Fresearch\u002Fhugs\n   - 训练45秒，渲染300+FPS！MVSGaussian：高效泛化的混合Gaussian\n   - 超越AnimateAnyone！Meta提出全身3D虚拟人ExAvatar,可由简短视频建模转化为3D数字形象\n\n## 六. 部署\n1. [梅尔普算法及其python和c++实现](梅尔普算法及其python和c++实现.md)\n\n## 七. 其他\n1. [参考项目](参考项目.md)","# I_am_a_person 快速上手指南\n\n本指南旨在帮助开发者快速搭建基于 `I_am_a_person` 的实时互动 GPT 数字人系统。该项目整合了从数据预处理、形象生成、语音交互到驱动渲染的全链路开源工具。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 20.04\u002F22.04) 或 Windows (需 WSL2)\n- **GPU**: NVIDIA 显卡，显存建议 16GB 以上（运行大模型及高清渲染），支持 CUDA 11.8+\n- **Python**: 3.9 - 3.10\n\n### 前置依赖\n安装基础系统库及 Python 包管理工具：\n\n```bash\n# Ubuntu 示例\nsudo apt-get update\nsudo apt-get install -y git ffmpeg libsm6 libxext6 python3-pip python3-venv cmake build-essential\n\n# 创建虚拟环境\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\n```\n\n### 国内加速配置\n推荐使用国内镜像源加速依赖下载：\n\n```bash\n# 配置 pip 使用清华源\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n由于该项目是一个工具集清单，核心组件需按需安装。以下是构建最小可用系统的通用安装流程：\n\n### 1. 克隆项目与基础依赖\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002FI_am_a_person.git\ncd I_am_a_person\npip install -r requirements.txt\n```\n\n### 2. 安装核心视觉模型 (人脸与分割)\n项目依赖 `insightface` 和 `BiRefNet` 等模型，建议使用国内镜像安装：\n\n```bash\n# 安装 insightface (人脸检测\u002F识别)\npip install insightface onnxruntime-gpu\n\n# 下载 buffalo_l 模型 (手动下载后放入 models 目录可加速)\n# 地址：https:\u002F\u002Fgithub.com\u002Fdeepinsight\u002Finsightface\u002Ftree\u002Fmaster\u002Fpython-package\n\n# 安装分割模型 BiRefNet (一键抠图)\npip install git+https:\u002F\u002Fgithub.com\u002FZhengPeng7\u002FBiRefNet.git\n```\n\n### 3. 安装语音与大模型组件\n根据需求选择安装 ASR (语音识别) 和 TTS (语音合成) 库：\n\n```bash\n# 安装 FunASR (阿里达摩院，支持中文优化)\npip install funasr modelscope\n\n# 安装 ChatTTS (聊天专用 TTS)\npip install ChatTTS\n\n# 安装轻量级大模型 miniCPM (数字人大脑)\npip install torch transformers\n# 具体模型权重建议通过 ModelScope 下载\npip install modelscope\n```\n\n### 4. 驱动与渲染引擎\n若需使用虚幻引擎 (UE) 或 3D 高斯溅射 (3DGS)，请参照子目录文档配置：\n- **UE MetaHuman**: 需单独安装 Unreal Engine 5.3+ 及相关插件。\n- **3DGS**: \n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgraphdeco-inria\u002Fgaussian-splatting.git\ncd gaussian-splatting\npip install submodules\u002Fdiff-gaussian-rasterization submodules\u002Fsimple-knn\n```\n\n## 基本使用\n\n以下是一个最简单的“文本转数字人视频”的工作流示例，涵盖语音合成、口型驱动与视频生成。\n\n### 步骤 1: 准备输入素材\n准备一张正面人脸图片 `input_image.jpg` 和一段文本脚本 `script.txt`。\n\n### 步骤 2: 生成语音 (TTS)\n使用 ChatTTS 或 CosyVoice 将文本转换为音频：\n\n```python\nimport ChatTTS\nimport torch\nimport torchaudio\n\nchat = ChatTTS.Chat()\nchat.load(compile=False) # 设置 compile=True 以加速推理\n\ntexts = [\"你好，我是你的 AI 数字人助手，很高兴见到你。\"]\nwavs = chat.infer(texts)\n\ntorchaudio.save(\"output_audio.wav\", torch.from_numpy(wavs[0]), 24000)\n```\n\n### 步骤 3: 人脸检测与预处理\n使用 `insightface` 对输入图片进行人脸对齐和裁剪：\n\n```python\nimport cv2\nfrom insightface.app import FaceAnalysis\n\napp = FaceAnalysis(providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])\napp.prepare(ctx_id=0, det_size=(640, 640))\n\nimg = cv2.imread(\"input_image.jpg\")\nfaces = app.get(img)\n# 提取人脸特征并保存对齐后的图像供后续驱动使用\n# (具体保存逻辑参考 faceSwap\u002F换脸.md 中的实现)\n```\n\n### 步骤 4: 驱动生成 (口型同步)\n调用驱动模型（如 SadTalker, Wav2Lip 或项目内集成的真人数字人模块）生成最终视频：\n\n```bash\n# 示例命令：使用生成的音频驱动处理过的人脸图像\npython inference.py \\\n    --source_image aligned_face.png \\\n    --driving_audio output_audio.wav \\\n    --result_dir .\u002Fresults \\\n    --enhancer gfpgan\n```\n\n### 步骤 5: 后期优化 (可选)\n使用 `BiRefNet` 进行背景替换或使用 `ebsynth` 进行风格迁移：\n\n```bash\n# 运行抠图脚本\npython run_matting.py --image .\u002Fresults\u002Foutput.mp4 --model birefnet\n```\n\n完成上述步骤后，即可在 `.\u002Fresults` 目录下查看生成的数字人视频文件。更多高级功能（如实时互动、情感控制、3D 重建）请参考项目各子模块的详细文档。","某电商直播团队希望为海外大促活动快速定制一位能实时互动、多语言讲解且形象逼真的 AI 主播，以替代昂贵且调度困难的真人员工。\n\n### 没有 I_am_a_person 时\n- **开发周期漫长**：团队需手动串联人脸检测、唇形同步（如 Wav2Lip）和语音合成等多个独立开源项目，环境配置冲突频发，耗时数周仍难跑通流程。\n- **形象僵硬不自然**：缺乏统一的预处理与驱动方案，生成的数字人面部表情呆板，口型与语音节奏经常错位，无法通过 BiRefNet 等模型实现高质量抠图融合。\n- **多语言能力受限**：难以集成先进的 ASR（如 SenseVoice）与多语言 TTS（如 CosyVoice），导致主播仅能播放预制录音，无法理解并实时回应外语弹幕。\n- **角色缺乏个性**：缺少专用的小参数角色扮演模型（如 Index-1.9B），AI 回复机械生硬，无法模拟特定销售风格或进行情感化互动。\n\n### 使用 I_am_a_person 后\n- **一站式高效落地**：直接复用其整理好的全链路技术栈，从视频分段、人脸对齐到驱动渲染均有最佳实践指引，将原本数周的集成工作缩短至几天。\n- **视听效果电影级**：调用集成的 BiRefNet V2 进行一键高精度抠图，配合 MaskGCT 等先进语音驱动模型，确保主播口型精准、发丝级边缘清晰自然。\n- **实时多语互动**：无缝接入 FunASR 与支持 7000+ 语言的 ToucanTTS，使主播能实时听懂英、日、西等多国语言提问并流畅作答，大幅提升转化率。\n- **千人千面定制**：利用内置的角色扮演模型与 Stable Diffusion 写真生成能力，快速克隆不同风格的虚拟销售员，赋予其独特的性格与话术逻辑。\n\nI_am_a_person 通过提供经过验证的实时互动数字人全链路技术笔记，帮助团队避开了重复造轮子的陷阱，以最低成本实现了高保真、可交互的 AI 主播规模化部署。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyangkang2021_I_am_a_person_04e940d1.png","yangkang2021",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyangkang2021_4a0b12a9.png","https:\u002F\u002Fgithub.com\u002Fyangkang2021",[78],{"name":79,"color":80,"percentage":81},"Python","#3572A5",100,529,107,"2026-04-10T06:31:33","Apache-2.0",5,"未说明","必需（推断）。项目涉及大量深度学习模型（如 Stable Diffusion, NeRF, 3D Gaussian Splatting, BiRefNet, InsightFace 等），通常强制要求 NVIDIA GPU。显存需求视具体模块而定：基础推理建议 8GB+，运行 SD\u002FNeRF\u002F高斯泼溅训练建议 16GB-24GB+。CUDA 版本需匹配 PyTorch 及特定模型要求（通常 11.7+ 或 12.1+）。","最低 16GB，推荐 32GB+（处理视频分段、3D 重建和大模型加载时内存消耗较大）",{"notes":91,"python":92,"dependencies":93},"该 README 是一个综合性数字人技术栈清单，而非单一软件的安装指南。它集成了数十个独立的开源项目（如 Wav2Lip, SadTalker, CosyVoice, Unreal Engine 等），每个子模块可能有独立的运行环境和依赖要求。用户需根据所选的具体功能模块（如仅做语音合成或全流程 3D 驱动）分别配置环境。部分功能（如虚幻引擎 MetaHuman）需要独立的图形引擎环境而非纯 Python 环境。建议使用 Conda 为不同模块创建隔离环境，并确保系统已安装 FFmpeg 和 Git。","未说明（推测 3.8+ 或 3.9+，需适配 torch 及各子项目依赖）",[94,95,96,97,98,99,100,101,102,103],"torch","insightface","onnxruntime","transformers","diffusers","opencv-python","ffmpeg","paddlepaddle","xformers","cuda-python",[35,15,105,106,107],"音频","视频","其他","2026-03-27T02:49:30.150509","2026-04-12T21:35:08.850084",[],[]]