实时交互式数字人直播方案，基于 ER-NeRF、MuseTalk 等模型实现音频驱动口型同步与说话头生成，可用于虚拟主播和实时对话场景。
用 Stable Diffusion 做音频驱动唇形同步，让视频或虚拟人像的口型与语音对齐，适合做数字人和视频配音。
…ard 的执行稳定性 - 增强视频生成链路，支持首尾帧串联与单镜头首尾帧同时配置 - 升级语音生成与口型同步能力，补强项目级 TTS 配置 - 扩展模型与 Provider 生态，提升多模型接入能力 - 重构默认模型配置与 Provider 管理体验 - 增强错误处理、超时反馈与显式失败机制 - 补充登录限流、密码强度提示等基础安全能力