最近也在尝试搞这个，主打情感陪伴+AI带货，目前是关注到了这几个项目 MuseTalk CyberVerse 站内大佬的 Opentaking 声音的话选用index-tts-2 但是视频实时处理很僵硬。 目前只考虑了两层，但是边界没确定好比如说什么时候切换，精良层和实时层 精良层负责热场，产品切换等。 实时层负则实时处理。 目前呢实时层是只有嘴和身体做固定重复的动作，精良层的话走的是minima