中文版 ｜ English

实时交互流式数字人引擎，实现音视频同步对话，已在业内获得广泛商用

效果演示: wav2lip | ernerf | musetalk

国内镜像: Gitee | GitCode

---

Features

1. 支持多种数字人模型: ernerf、musetalk、wav2lip、Ultralight-Digital-Human
2. 支持声音克隆
3. 支持数字人说话被打断
4. 支持全身视频拼接
5. 支持 WebRTC、RTMP、虚拟摄像头输出
6. 支持动作编排：不说话时播放自定义视频
7. 支持多并发
8. 支持自定义数字人形象
9. 提供前端API接口对接

---

使用场景

LiveTalking 基于实时流式数字人技术，通过文本或语音驱动虚拟形象说话，结合 LLM 实现智能对话。适用于以下场景：

核心流程：用户输入文字/音频 → LLM 生成回复（可选）→ TTS 合成语音 → 数字人实时口型同步 → 音视频推流输出

---

1. 安装

已在 Ubuntu 22.04、Python 3.12、PyTorch 2.9.1、CUDA 12.8 测试通过。

1.1 安装依赖

git clone https://github.com/lipku/LiveTalking.git 
conda create -n livetalking python=3.12
conda activate livetalking
# 如果 CUDA 版本不为 12.8 (运行 nvidia-smi 确认)，请根据 PyTorch 官网(https://pytorch.org/get-started/previous-versions)安装对应版本
pip install torch==2.9.1 torchvision==0.24.1 torchaudio==2.9.1 --index-url https://download.pytorch.org/whl/cu128
cd LiveTalking
pip install -r requirements.txt

安装常见问题：FAQ

Linux CUDA 环境搭建参考: https://zhuanlan.zhihu.com/p/674972886

---

2. 快速开始

2.1 下载模型

1. 将 wav2lip256.pth 拷贝到项目的 models/ 目录下，重命名为 wav2lip.pth
2. 将 wav2lip256_avatar1.tar.gz 解压后整个文件夹拷贝到 data/avatars/ 目录下

2.2 启动服务

python app.py --transport webrtc --model wav2lip --avatar_id wav2lip256_avatar1

注意: 服务端需开放端口 TCP:8010, UDP:1-65536

2.3 客户端接入

2.4 Web 页面

2.5 快速体验

1. 使用在线镜像创建实例即可运行: UCloud 镜像

2. Windows整合包 https://pan.quark.cn/s/a040bf5cb065

3. 商用版体验地址 https://www.livetalking.top

2.6 使用说明

https://doc.livetalking.ai

3. 系统架构

数据流图

各层说明

API 层

• /human: 接收文本，支持 echo（直接复读）和 chat（LLM 对话）模式
• /humanaudio: 接收音频文件直接播放
• 每个连接分配唯一 sessionid，支持多用户并发

逻辑层

• LLM 引擎: 对接 Qwen 等大模型生成对话回复（也可通过OrcaRouter 等 OpenAI 兼容网关接入，--llm_provider orcarouter）
• TTS 引擎: 模块化设计，支持 EdgeTTS、GPT-SoVITS、CosyVoice、腾讯云等多种方案
• 特征提取: 同步提取音频的声学特征（如 Mel 频谱），用于口型推理

渲染层

• 模型推理: 使用深度学习模型 (Wav2Lip, MuseTalk 等) 根据音频特征生成口型画面
• 后处理: 将生成的口型区域平滑贴回原始高清视频

推流层

• WebRTC: 低延迟浏览器端推流
• RTMP: 标准直播协议，支持推流到 B站/YouTube 等平台
• 虚拟摄像头: 输出为系统摄像头设备

插件系统

• 基于 registry.py 的去中心化注册机制，开发者可自行扩展 TTS、Avatar、Output 模块

---

4. API 接口

---

5. Docker 运行

镜像说明:

• AutoDL: https://www.codewithgpu.com/i/lipku/livetalking/base
• UCloud: https://www.compshare.cn/images/4458094e-a43d-45fe-9b57-de79253befe4?referral_code=3XW3852OBmnD089hMMrtuU&ytag=GPU_GitHub_livetalking — 支持开放任意端口

---

6. 性能指标

• 每路视频压缩消耗 CPU，分辨率越高 CPU 消耗越大；每路口型推理消耗 GPU
• 不说话时并发数取决于 CPU，同时说话并发数取决于 GPU
• 后端日志 inferfps = GPU 推理帧率, finalfps = 最终推流帧率，两者均需 >=25 才算实时

实时推理性能

• wav2lip256 推荐 RTX 3060 及以上
• musetalk 推荐 RTX 3080Ti 及以上

---

7. 声明

基于本项目开发并发布在B站、视频号、抖音等平台上的视频需带上 LiveTalking 水印和标识。

---

引用

如果本项目对您有帮助，期待您能给一个 Star⭐和引用

@software{livetalking,
  author = {Hengzhong Li},
  title = {LiveTalking: Real-Time Interactive Streaming Digital Human Framework},
  year = {2025},
  publisher = {GitHub},
  url = {https://github.com/lipku/livetalking}
}

---