形象与声音

形象

一个形象 = 一个人物外观 + 一段烘焙好的待机循环（听你说话时它在做什么）+ 可选的烘焙动作（比如挥手）。每个形象绑定一个引擎，引擎由形象派生，访客永远不会看到张冠李戴。

内置形象

仓库自带一张默认肖像、一个烘焙好的默认形象，以及三个 FlashHead 肖像预设（F、Nova 和 Luna），第一次运行不用上传就能看到脸。FlashHead 只要一张肖像，所以加一个预设就是一个文件加 internal/avatarcatalog 里的一行。Nova 和 Luna 是以半身主持人形态发布的：FlashHead 仍然只生成 512 的人脸，worker 把它贴回 720×1280 的头到腰画布上精确的裁切框位置（workers/avatar/halfbody.py 负责画布、bbox 和贴回蒙版），一个只会头部的模型就这样变成了半身形象（Luna 是同一套做法的夜景室内版）。半身制作流程是 prepare → recrop（放宽裁切让整颗头都动）→ blend，然后在控制台烘一个待机。控制台列表里带引擎标签。设为当前后新会话立即生效。

用一段视频烘焙自己的形象

1. 拍 10–20 秒对着镜头说话的视频：正面、光线均匀、嘴清晰、手别挡脸。手机拍的就行。
2. 形象与声音 → 上传说话视频。管线重采样到 25fps、抽帧、按"闭嘴、正面、清晰"打分选出说话基底，用 MediaPipe 做人脸对齐（不用 InsightFace，整条链保持可商用），然后烘焙引擎专用素材。
3. 同一页看任务进度；成功后形象直接出现在列表里，不用重启。
4. 可选：用同一段素材再烘一段待机循环，让它在两次回答之间会呼吸眨眼，而不是定格。

烘焙是一次性的 GPU 任务，要 4–5GB 显存。池子满的时候会 OOM，控制台会提示你先停一个 worker。

授权。 训练真人形象需要本人同意。上传表单里有授权确认，政策见合规。

引擎

引擎	画面	显存	说明
wav2lipLS 384	半身，嘴部清晰	≈ 2GB	最轻，6GB 卡能跑
MuseTalk 1.5	半身，平滑	≈ 7.7GB	对各种素材最宽容；bbox_shift 可调嘴部开合
FlashHead	头肩特写，扩散模型	≈ 6.6GB	近景保真最高

支持混合池：同一张卡上 MuseTalk 跑半身形象、FlashHead 跑特写，按形象派发。见硬件和引擎池设计。

预热

把形象装进 worker 要几秒。「预热」提前把频道用到的形象装好，第一位访客不会对着黑屏。

动作

形象可以携带一次性动作片段（目前有 wave 挥手）。访客页有按钮，接入方用 POST /action，Agent 用 DeepSeek Harness 插件里的 mynah_action。

声音

下拉里出现哪些音色取决于「配置中心」里的 TTS 档（见 TTS 三档）：

• EdgeTTS（默认）：几百个微软神经音色。列表有缓存，推荐音色置顶（zh-CN-XiaoxiaoNeural、zh-CN-YunxiNeural、en-US-AriaNeural 等）。语速可调；风格指令会被忽略。
• Qwen3-TTS（本地 vLLM-omni）：内置音色，外加用一小段参考音频克隆音色。在「音色」页上传，控制台替你转写参考文本，新音色出现在所有下拉里。每个音色有独立种子，保证句与句之间音色稳定；支持风格指令（"更沉稳"）。
• Qwen 云端实时大脑：对话大脑切到 Qwen 实时时，语音在云端合成，音色下拉变成云端音色。

每个下拉都有「试听」，用当前配置合成一句。频道冻结发布时的音色，控制台换音色不影响线上频道，重新发布才生效。