AI Vtuber一款聚合了多种大模型技术的虚拟主播

AI-Vtuber是一款数字人虚拟直播软件，聚合了多种多种市面主流大模型技术，可谓牛得一逼。包括：支持ChatGPT、Claude、ChatGLM、智谱AI、文心一言、Google Bard、Google Gemini等等一系列的 Chat 技术；支持VITS、Bert-Vits2、VALL-E-X、OpenVoice、clone-voice、Edge-TTS等多种的语音技术；同时也支持So-Vits-SVC、DDSP-SVC变声技术。

是不是感觉技术栈满当当的，这还没完。最让笔者感觉牛逼的还是对接了多种数字人平台，包含：Live2D、Vtube Studio、UE5、EasyAIVtuber。而且还支持一键接入多种国内外直播平台，像B站、抖音、快手、小程序、YouTube和近年来最火爆的TikTok。

此时此刻，有没有一点懵逼的感觉，老实说，其实笔者第一反应就是如此。

项目框架

如果大胆的想象一下，不妨将其称之为互联网技术的终点就是 AI 数字人。好了，笔者先带大家看看项目的整体架构吧

有没有很惊讶，AI Vtuber几乎能够模拟出人类肢体主要的特征。当然，笔者尝试了这些技术。整体来看，厂商接口效果肯定更好，开源算法目前只能做验证替代。但是，笔者坚信不久的将来，AI 智能虚拟人一定会完美实现。

上面，看完这个比较宏大的架构，我们也来简单分析下作者是如何实现的。

代码剖析

• config.json 配置文件
• api.py 接口主程序
• main.py GUI 界面主程序
• webui.py WEBUI 界面主程序
• utils 文件夹，Chat、T2ST、S2TT 和通用类相关功能的封装实现
• data 文件夹，存储数据文件、违禁词、文案等
• Live2D 文件夹，存储 Live2D 源码及模型

前端工程

整个项目以webui.py文件作为入口，使用NiceGUI这个 Python 框架为整个项目的编写 Web 前端。

后端工程

讲真，作者的后端工程整体就比较粗糙了，整个后端架构不是很合理。

后端工程主要包含：api.py接口代码、main.py界面代码、config.json全局配置代码。

整个项目都是基于各种算法接口直接的配合调用，代码相对简单。如果想自行尝试的同学，可以先本地部署需要的开源算法，然后通过127.0.0.1进行配置调用。针对厂商的商业 AI 服务，则需要先申请权限后才能使用。

针对对接第三方直播平台，作者主要采用了两种方式：第三方 SDK或爬虫逆向，具体如下：

• Bilibili：SDK（bilibili-api-python），具体地址：github.com/Nemo2011/bi…)
• 抖音：websockets 接口 + protobuf2 协议方式
• 快手：https + websockets 接口 + protobuf2 协议方式
• 视频号：HTTP 回调方式
• 斗鱼：websockets 接口方式
• Youtube：SDK（pytchat），具体地址：github.com/EbenKouao/y…
• twitch：HTTP 方式
• Tiktok：SDK（TikTokLive），具体地址：github.com/isaackogan/…

做个小结

好了，以上就是整个技术就是介绍，笔者做个小结：

• 作者以当前的主流AI技术为复合基础，搭建了一个技术全面，脉络清晰的数字人平台，梳理好了当前的技术栈。但是采用的技术较通用，相对比较简单。
• 整个项目单点架构，用作本地验证可以，如果落地生产，则需要做一个较大的重构。比如：代码框架优化；内存队列改远程分布式队列；内存/文件存储改远程缓存/对象存储；算法使用懒加载机制；Chat 接口支持Stream机制。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓