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。

用 Python 搭建的 AI 虚拟主播，把语音识别、大模型对话和语音合成串起来，让虚拟形象能在 YouTube 或 Twitch 直播中实时回应观众。

基于扩散模型生成逼真说话人像视频，通过连贯运动合成让口型与头部动作自然同步，适合做数字人播报和虚拟主播。

开箱即用的实时交互数字人，支持自定义形象和音色克隆，端到端对话延迟低至3秒，适合快速搭建虚拟主播或客服场景。

把语音识别成文字再转成语音，并通过 OSC 消息把文本推到 VRChat 头像聊天框显示，还能播报当前歌曲。