三个开源模型本地拼出实时语音数字人:全程端侧运行
shinjiw_at_cmu · x · 2026-11-06
开发者将三个独立开源模型组合成一个完全本地运行的实时语音转数字人助手(基于 audio.cpp):
- LFM3-Audio-2B(Liquid AI):面向端侧推理优化,生成对话回复并流式输出语音;
- SoulX-FlashHead:以快于实时的速度根据音频块驱动人像动画;
- OWSM v4(WavLab):负责多语言语音识别。
三者组成一个实时协同工作的 agent(而非离线剪辑视频),作者发布了完整 pipeline 的演示。
「编程与Agent」频道最新
- CRUX 团队开源 CRUX-in-a-box：数周级 Agent 评测基础设施 — sayashk · 2026-11-06
- Reddit 追问:到底有没有一个 90-100% 由 AI Agent 生成的已上线产品? — Zamdi · 2026-11-06
- 黄仁勋：用上 agent 的工程师反而更忙，时间都花在验收上 — shashib · 2026-11-06
- E2B 年化收入达 1.2 亿美元，靠「智能体驱动增长」起量 — badphilosopher · 2026-11-06
- 黄仁勋在 Box Works 称别叫 Agent Swarms,该叫 Agent Teams — shashib · 2026-11-06
- Google 把 Agent Substrate、gVisor、OpenRL 捐给 CNCF,Agent Substrate 达 1.0 — HowDevelop · 2026-11-06