内容描述
该项目是一个完全离线的AI数字人视频合成工具，能够精确克隆用户的外貌和声音，实现数字化形象创建。通过文本和语音驱动虚拟形象生成视频，无需网络连接，有效保护用户隐私。
核心功能定位：提供完整的数字人克隆和视频生成解决方案，包括外观和声音的精确克隆、文本和语音驱动虚拟形象、高效视频合成等功能。
关键应用场景：适用于教育、内容创作、法律咨询、医疗实践、企业宣传等多个领域，帮助专业人士提升视频制作效率，降低制作成本。
功能特性
- 精确外观和声音克隆：采用先进AI算法高精度捕捉人脸特征和声音特性，构建逼真虚拟模型
- 多语言支持：支持英语、日语、韩语、中文、法语、德语、阿拉伯语和西班牙语等八种语言
- 全离线操作：无需网络连接，确保数据安全和隐私保护
- 用户友好界面：简洁直观的操作界面，适合无技术背景的用户快速上手
- 多模型管理：支持导入多个模型并通过一键启动包进行管理
- 开放API接口：提供模型训练、音频合成和视频合成的完整API支持
使用说明
该项目支持Windows和Ubuntu 22.04两种部署方式：
Windows部署：
- 系统要求：Windows 10 19042.1526或更高版本
- 硬件要求：需要NVIDIA显卡，推荐RTX 4070，32GB内存，至少130GB硬盘空间
- 部署步骤：安装Docker、下载服务镜像、安装客户端应用程序
Ubuntu部署：
- 系统要求：Ubuntu 22.04桌面版
- 硬件要求：与Windows版本类似，需要NVIDIA显卡和相应驱动
- 部署步骤：安装Docker和NVIDIA容器工具包、下载服务镜像、运行AppImage客户端
项目采用Docker容器化部署，包含三个核心服务：语音识别服务、文本转语音服务和视频生成服务。
潜在新需求
（1）需求1：用户希望提供字幕支持功能，在生成的视频中能够添加同步字幕显示
（2）需求2：用户希望支持macOS操作系统，扩大项目的平台兼容性
（3）需求3：用户希望API接口能够支持HTTP(S)协议的音频和视频文件地址，而不仅仅是本地文件路径
（4）需求4：用户希望提供CPU版本支持，让没有NVIDIA显卡的用户也能使用基础功能
（5）需求5：用户希望支持多GPU配置，充分利用多显卡硬件资源提升处理性能
（6）需求6：用户希望延长视频生成任务的超时时间限制，支持生成长时间视频内容
（7）需求7：用户希望优化音频处理流程，支持直接使用本地离线目录的音频文件，避免上传到云端对象存储
（8）需求8：用户希望提供更灵活的部署方式，支持服务端和客户端分离部署，实现远程API调用
（9）需求9：用户希望提供实时交互功能，让数字人能够支持实时对话和互动
（10）需求10：用户希望提供更详细的中文文档和技术支持，降低新手使用门槛 article id：305a5fbdc4ef940e1ba3b924fc4bbe88
