LiveTalking

中文版 ｜ English

实时交互流式数字人引擎，实现音视频同步对话，已在业内获得广泛商用

效果演示: wav2lip | ernerf | musetalk

国内镜像: Gitee | GitCode

❤️赞助商

> 想出现在这里？

点击折叠

PackyCode 是一家稳定、高效的 API 中转服务商，一句话接入主流大模型。新用户首充立享折扣 + $1免费体验额度，多分组折扣低至 2 折起，提供专属Codex/Claude Code高速通道，点此链接注册

Features
1. 支持多种数字人模型: ernerf、musetalk、wav2lip、Ultralight-Digital-Human
2. 支持声音克隆
3. 支持数字人说话被打断
4. 支持全身视频拼接
5. 支持 WebRTC、RTMP、虚拟摄像头输出
6. 支持动作编排：不说话时播放自定义视频
7. 支持多并发
8. 支持自定义数字人形象
9. 提供前端API接口对接

使用场景

LiveTalking 基于实时流式数字人技术，通过文本或语音驱动虚拟形象说话，结合 LLM 实现智能对话。适用于以下场景：

| 场景 | 说明 |
| 虚拟主播/直播带货LiveStream | 24 小时无人直播，通过 LLM 自动生成带货话术，配合动作编排实现自然表现  |
| AI 数字人客服 | 接入企业知识库，用户语音提问，数字人实时回答，支持打断重说 |
| 在线教育/培训 | 教师数字分身录制课程，或通过 API 驱动数字人讲师实时授课 |
| 智能语音助手 | 结合智能音箱或 APP，调用 /human 接口驱动数字人进行语音对话交互 |
| 大屏讲解 | 数字人讲解员在展厅大屏、活动现场等场景进行内容讲解和互动 |
| 短视频批量制作 | 通过 API 批量提交文案生成数字人出镜视频，无需真人拍摄，调用 /human + /record 接口 |

核心流程：用户输入文字/音频 → LLM 生成回复（可选）→ TTS 合成语音 → 数字人实时口型同步 → 音视频推流输出

1. 安装

已在 Ubuntu 22.04、Python 3.12、PyTorch 2.9.1、CUDA 12.8 测试通过。

1.1 安装依赖

bash
git clone https://github.com/lipku/LiveTalking.git 
conda create -n livetalking python=3.12
conda activate livetalking
如果 CUDA 版本不为 12.8 (运行 nvidia-smi 确认)，请根据 PyTorch 官网(https://pytorch.org/get-started/previous-versions)安装对应版本
pip install torch==2.9.1 torchvision==0.24.1 torchaudio==2.9.1 --index-url https://download.pytorch.org/whl/cu128
cd LiveTalking
pip install -r requirements.txt

安装常见问题：FAQ

Linux CUDA 环境搭建参考: 

2. 快速开始

2.1 下载模型

| 网盘 | 地址 |
| 夸克云盘 |  |
| Google Drive |  |

1. 将 wav2lip256.pth 拷贝到项目的 models/ 目录下，重命名为 wav2lip.pth
2. 将 wav2lip256_avatar1.tar.gz 解压后整个文件夹拷贝到 data/avatars/ 目录下

2.2 启动服务

bash
python app.py --transport webrtc --model wav2lip --avatar_id wav2lip256_avatar1

>  注意: 服务端需开放端口 TCP:8010, UDP:1-65536  

2.3 客户端接入

| 方式 | 说明 |
| 浏览器 | 打开 http://serverip:8010/index.html，点击"开始连接"播放数字人视频，在文本框输入文字提交即可 |
| API 调用 | 参考 API 文档 通过 HTTP 接口驱动 |
| 桌面客户端 | 下载地址:  |

2.4 Web 页面

| 页面 | 地址 | 说明 |
| 首页 | /index.html | WebRTC 连接 + 文本/音频驱动 + 录制控制 |
| Avatar 生成 | /avatar.html | 上传视频自动生成数字人形象 |
| 管理后台 | /admin.html | 实时监控会话状态与全局配置 |

2.5 快速体验

1. 使用在线镜像创建实例即可运行:
UCloud 镜像  

2. Windows整合包    
3. 商用版体验地址 

2.6 使用说明  

3. 系统架构

数据流图

各层说明

API 层
- /human: 接收文本，支持 echo（直接复读）和 chat（LLM 对话）模式
- /humanaudio: 接收音频文件直接播放
- 每个连接分配唯一 sessionid，支持多用户并发

逻辑层
- LLM 引擎: 对接 Qwen 等大模型生成对话回复（也可通过OrcaRouter 等 OpenAI 兼容网关接入，--llm_provider orcarouter）
- TTS 引擎: 模块化设计，支持 EdgeTTS、GPT-SoVITS、CosyVoice、腾讯云等多种方案
- 特征提取: 同步提取音频的声学特征（如 Mel 频谱），用于口型推理

渲染层
- 模型推理: 使用深度学习模型 (Wav2Lip, MuseTalk 等) 根据音频特征生成口型画面
- 后处理: 将生成的口型区域平滑贴回原始高清视频

推流层
- WebRTC: 低延迟浏览器端推流
- RTMP: 标准直播协议，支持推流到 B站/YouTube 等平台
- 虚拟摄像头: 输出为系统摄像头设备

插件系统
- 基于 registry.py 的去中心化注册机制，开发者可自行扩展 TTS、Avatar、Output 模块

4. API 接口

| 文档 | 说明 |
| docs/api.md | 通用业务 API — WebRTC、文本/音频驱动、录制、动作编排 |
| docs/avatar_api.md | Avatar 生成 API — 创建任务、查询进度、删除任务 |
| docs/admin_api.md | Admin 管理 API — 全局配置、会话监控、强制停止 |

5. Docker 运行

镜像说明:
- AutoDL: 镜像  
- UCloud: 镜像 — 支持开放任意端口 

6. 性能指标

- 每路视频压缩消耗 CPU，分辨率越高 CPU 消耗越大；每路口型推理消耗 GPU
- 不说话时并发数取决于 CPU，同时说话并发数取决于 GPU
- 后端日志 inferfps = GPU 推理帧率, finalfps = 最终推流帧率，两者均需 >=25 才算实时

实时推理性能

| 模型 | 显卡 | FPS |
| wav2lip256 | RTX 3060 | 60 |
| wav2lip256 | RTX 3080Ti | 120 |
| musetalk | RTX 3080Ti | 42 |
| musetalk | RTX 3090 |

……（后略，见原文）