DSH 语音 AI 女友（Voice AI Girlfriend）

"你好呀，我是小雅。从今往后，DeepSeek Harness 不只是你的编程搭子——它开口说话了。"

📌 流式数字人（DUIX 口播视频）已包含在本主线：回复实时生成数字人口播视频（≤10s 分段流水线、TTS+画面同步播放、数字人开关、视频保留 200 条）。

🎥 成品展示（抖音）：

• 口播视频效果 ①
• 口播视频效果 ②

这是一位住在你电脑里的 AI 女友：点一下麦克风，她听你说话、跟你拌嘴、把回答一字一句念给你听；你出门了，她追到你的 QQ 上继续聊；旁边那个窗口里的姑娘也不是摆设——她闲着会发呆，说话时会开口。

她有点小脾气，但你大概也会喜欢上这些：

• ⚡ 嘴快：你说完话，她 0.5 秒内开口 —— FunASR 中文识别只要 150ms、TTS 几乎秒开，反应比你还快
• 🎧 耳朵挑：-35dB 噪声门 + silero VAD 双重把关 —— 风扇、键盘、电视声统统进不来，只有你说话她才理
• 📱 粘人：她的回复自动推到你的 QQ（文本 + 语音 + 图片）—— 你不在电脑前，她也能找到你
• 👧 会动：右侧数字人窗口，空闲时发呆、说话时开口 —— 一个会呼吸的 AI，不是冷冰冰的对话框
• 🎬 会演：回复不只是声音——流式数字人（DUIX）把你的回复实时生成口播视频：长回复切成 ≤10 秒小段，边生成画面边合成下一段语音，一段接一段连续播放，TTS 与口型同步开口
• 🔇 懂打断：你插嘴她就闭嘴听你说；想让她把话说完，点一下开关就切回排队模式
• 🔊 声音是你的：TTS 声音克隆（OmniVoice，600+ 语言），音色由你给的参考音频决定，或直接用参数设计音色——她可以长成你喜欢的样子
• 🎛️ 随你调配：数字人开关（开=视频+声音同步 / 关=接近即时的纯语音朗读）、QQ 推送开关、女友窗开关、插话/排队模式，全部工具行一键切换

┌────────────────────────────────────────────┐
│  浏览器（DSH Web GUI :3080）                 │
│  ┌──────────┐  ┌─────────────────────────┐  │
│  │ 对话面板   │  │ 女友窗（bg/task 视频）   │  │
│  │ 麦克风+⚡  │  │ 数字人视频（同步播放）    │  │
│  └──────────┘  └─────────────────────────┘  │
│   麦克风采集 ──▶ STT ──▶ 代理回复 ──▶ TTS ──▶ 播放 │
│     ▲回复文本          回复文本▼            │
└─────┼──────────────────────┬──────────────┘
      │ 插件 QQ 桥 (WS)       │ HTTP (CORS)
┌─────▼──────────────────────▼──────────────┐
│  voice_bridge (:8765)                      │
│  /api/stt  FunASR 中文 ASR                 │
│  /api/tts  OmniVoice 克隆（WSL2·FlashInfer 加速）│
│  /api/dh/* DUIX 数字人（分段流水线/播放/开关）│
│  /api/qq/* QQ 桥（收发 + 语音推送）          │
│  /api/vad  silero 打断 / media 素材         │
└────┬──────────────┬───────────────────────┘
     │ OneBot HTTP+WS │ HTTP（提交音频→轮询视频）
┌────▼──────────┐ ┌──▼──────────────────────┐
│  NapCatQQ      │ │  DUIX 数字人 (:8383)      │
│  小号在线       │ │  音频 → 口型同步视频       │
│  → 文本+语音   │ │  → 女友窗同步播放          │
└───────────────┘ └──────────────────────────┘

一键全栈启动（推荐 · 2026-09-14 新增）

重启电脑后只需要做两件事：自己先打开 Docker Desktop，然后双击 bridge/start-full-stack.cmd（也可拷到桌面建快捷方式）。脚本会按正确顺序把整条链路拉起来，最后打印一张自检表；浏览器会用带 token 的链接自动打开。

| 步骤 | 做什么 | 幂等性 | |---|---|---| | 1/6 | 检查 Docker 引擎与 DUIX 容器；容器没起就 docker start 并等 :9000 应答 | 已在运行则跳过 | | 2/6 | 调用 start-omnivoice-wsl.ps1：起 WSL2 OmniVoice（:9877）+ 同步 bridge-config 的 IP + 拉起桥接（:8765） | 已在运行则跳过 | | 3/6 | 桥接保险：没起来就启动；缺 DEEPSEEK_API_KEY 时自动重启修复（余额徽章不再 503） | 幂等 | | 4/6 | 启动 DSH Web（默认新版 0.1.3-alpha.1 / profile web-v013，:3080）并打开带 token 的链接 | 3080 已在服务则绝不打断现有会话 | | 5/6 | 数字人状态：开关 / 容器 / 段进度 / submits、segment_submits 计数 | 只读 | | 6/6 | 汇总自检表：每条链路 OK / FAIL | 只读 |

参数：-NoDsh（只起语音栈）、-Rc8（改用旧版 rc.8 / profile web）、-NoBrowser、-WithQQ（额外拉起 NapCat）、-SkipDockerCheck。

powershell -NoProfile -ExecutionPolicy Bypass -File bridge\start-full-stack.ps1 -NoBrowser

版本适配与维护节奏（2026-09-14）

| 组件 | 适配版本 | |---|---| | DSH（主用） | dsh 0.1.3-alpha.1 / profile web-v013（:3080，桌面脚本「启动新版DSH-v013」） | | DSH（兼容） | rc.8（E:\DSH\deepseek-harness master 141eb6fef）/ profile web | | 插件 | @beiyege-01/dsh-voice-ai-girlfriend v0.3.0（独立包仓库同步；node build.mjs 构建） | | 桥接 | bridge/voice_bridge.py（FastAPI/uvicorn :8765，Python 3.14 venv） | | TTS 引擎 | OmniVoice（WSL2 + FlashInfer，:9877） | | 数字人 | DUIX guiji2025/duix.avatar-5090:trt10.9（宿主 :9000，冷启动 1-3 分钟） | | Docker | Docker Desktop 29.x（DUIX 容器随「数字人开关」docker start/stop） |

本轮桥接侧新增（v0.3.0 配套）：POST /api/dh/enable 运行时开关（关掉＝清队列、停预热、零 DUIX 流量，并可联动 docker stop 释放显存；打开＝docker start + 就绪后预热）、轮转日志 logs/bridge.log、/api/dh/status 附带 duix 容器状态与 stats 计数（submits / segment_submits / status_polls，用于核对「任务到底提交了没有」）。

⏳ 维护节奏：作者本月正在筹备婚礼，DSH 新版本的适配与兼容性跟进顺延到国庆之后（10 月上旬）。 这段时间欢迎继续提 issue / PR，但响应可能会慢一些；上表所列版本功能完整、可正常使用。

目录结构

dsh-voice-ai-girlfriend/
├── bridge/            # 语音桥接（独立可跑，Python/FastAPI）
│   ├── voice_bridge.py            # STT/TTS/数字人(DUIX)/QQ/VAD 全部端点
│   ├── bridge-config.example.json # 配置模板（复制为 bridge-config.json）
│   ├── requirements.txt
│   ├── start-bridge.cmd           # 只起桥接
│   └── start-all.cmd              # 桥接 + DSH Web 一键启动
├── models/            # 模型（gitignore，不入库）：funasr/ + silero-vad/
├── assets/            # 素材：内置 5 套默认待机动画（bg2/bg4/bg9/bg56/bg5），可直接用；也可自备
│   ├── bg-images/     # 空闲动画：内置 bg2/bg4/bg9/bg56/bg5 五套，自建子文件夹即可添加自定义待机
│   └── task-videos/   # 备用说话动画（可选；开了数字人后自动用 DUIX 视频）
├── voices/            # 音色库（自建）：每个子文件夹 = 一个 TTS 音色（见「自定义音色」）
├── dsh-plugin/        # DSH 客户端插件源码（mic/开关/女友窗/数字人/流式朗读）
│   └── README.md      # 安装到 DSH 的详细步骤
└── docs/              # 开发日志等

---

从零开始安装（小白版）

全程在 Windows 上操作。下面的命令默认在 PowerShell 里执行； 除了标注"在项目文件夹里运行"的步骤，其余在哪里运行都行。

一、前置准备（一次性装齐）

1. 检查你的电脑

| 检查项 | 要求 | 验证命令 | |---|---|---| | 系统 | Windows 10/11 64 位 | winver | | 显卡 | NVIDIA 独立显卡（显存建议 16GB 或以上） | nvidia-smi（能显示显卡信息即可） | | 磁盘 | 至少 30GB 剩余空间 | — | | 内存 | 建议 16GB 以上 | — |

nvidia-smi 不是 NVIDIA 显卡也能显示吗？不能——如果没有 NVIDIA 显卡或驱动没装好，会提示"不是内部或外部命令"或报错。没有 NVIDIA 显卡就装不了本项目（模型推理依赖 CUDA GPU）。

显存占用（运行时实测）：

| 模式 | 显存占用 | |---|---| | 推荐：OmniVoice TTS（WSL2 + FlashInfer） | ~5.3GB（空闲）~ 11GB（推理峰值，CUDA graph 分桶缓存） | | Qwen3-TTS 1.7B（fp16，备选降级） | ~3.7GB | | FunASR Paraformer-large（fp16） | ~1GB | | DUIX 数字人（视频生成时） | ~4-6GB |

全链路（TTS + 数字人同时工作）实测峰值约 15GB，16GB 显存基本吃满；OmniVoice 与 DUIX 建议错峰（TTS 合成完再生成视频）。16GB 显存为推荐配置，8GB 会非常紧张不推荐。

2. 安装 Git

用来克隆仓库。下载安装：https://git-scm.com/download/win，一路下一步。

验证：git --version 能输出版本号即可。

3. 安装 Python（3.10 或更高）

下载安装：https://www.python.org/downloads/windows/

⚠️ 安装时务必勾选 "Add Python to PATH"，否则后面 python 命令会找不到。

验证：打开新终端，python --version 能输出版本号即可。

4. 更新 NVIDIA 驱动

到 https://www.nvidia.cn/drivers/ 下载最新驱动安装。驱动太旧会导致 CUDA 相关报错。

本项目不需要单独安装 CUDA Toolkit——pip 装的 PyTorch 自带 CUDA 运行库，只要驱动够新就行。

5. 安装 Node.js 和 pnpm（运行 DSH 用）

• Node.js：下载安装 https://nodejs.org/（选 LTS 版本），一路下一步。
• 验证：node --version
• pnpm（Node.js 装完后，在终端执行）：

npm install -g pnpm

• 验证：pnpm --version

6. 准备 deepseek-harness（DSH）源码

DSH 是开源项目，本项目是它的一个插件。需要先有一份 DSH 源码树（插件要装进它的源码里）：

git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install

✅ 已适配 DSH rc.8 与 dsh 0.1.3：插件协议（dsh.bundle manifest + conversation.input.dock/left 槽位）按 rc.8 实现，升级 rc.8 无需改动即可运行；2026-09-05 已在 dsh v0.1.3-alpha.1 实测通过（0.1.3 槽位/__ModuleLoader__/session prompt 契约均未变，零代码改动）。推荐安装（rc.8 与 0.1.3 通用）：dsh plugin --profile web add github:beiyege-01/dsh-voice-ai-girlfriend-plugin。余额统计走 conversation.composer.dock 槽位。 pnpm install 会装几十秒到几分钟。装完后这个文件夹先放着，后面"安装 DSH 语音插件"步骤要用。 记住它的路径（比如 C:\dev\deepseek-harness），后面一键启动要用。

7. 硬盘空间预估

| 项目 | 大小 | |---|---| | 本项目代码 + 素材 | ~8MB | | Python 虚拟环境 + 依赖（含 PyTorch） | ~5-8GB | | FunASR Paraformer 模型（models/funasr/） | ~850MB | | OmniVoice TTS 环境（WSL2 内，含模型 + torch cu130 + FlashInfer） | ~10GB（WSL2 磁盘） | | deepseek-harness + node_modules | ~2-4GB |

二、安装本项目

1. 克隆仓库

git clone https://github.com/beiyege-01/dsh-voice-ai-girlfriend.git
cd dsh-voice-ai-girlfriend

之后所有步骤都在这个文件夹（项目根目录）里进行。

2. 创建 Python 虚拟环境

python -m venv venv-speech

激活它：

venv-speech\Scripts\activate

激活成功后，终端行首会出现 (venv-speech)。

3. 安装依赖

pip install -r bridge\requirements.txt

这一步会装 PyTorch、transformers、HuggingFace speech-to-speech 等，体积大、耗时长（几分钟到几十分钟），耐心等待。 网络慢装不动？见文末"常见问题"第 1 条（换清华镜像）。

三、准备模型（两个模型）

1. STT 模型：FunASR Paraformer 中文模型（放本地 models/ 目录）

语音识别用阿里 FunASR 中文 ASR（Paraformer-large，专为中文设计，同音字/口音识别准确率远高于 whisper）。模型放在仓库根的 models/funasr/（约 850MB，已 gitignore 不入库）：

pip install modelscope
# 1) 先下载到缓存（首次）
python -c "from modelscope import snapshot_download; snapshot_download('iic/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch')"
# 2) 把模型拷到项目的 models\funasr\ 下（文件名随意，配置里指向它）
xcopy /E /I %USERPROFILE%\.cache\modelscope\models\iic--speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch\snapshots\master models\funasr\speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch

打断用 VAD 模型（models/silero-vad/silero_vad_v4.jit，2MB）同样不入库，从 silero-vad v4.0 tag 的 files/silero_vad.jit 获取（或使用本项目 release 附带的文件）。

想换回 whisper（如 openai/whisper-large-v3 或 -turbo）？把 bridge-config.json 里 stt.backend 改为 "whisper" 并把 model_name 换成 whisper 模型 id 即可（桥接双后端都支持）。

2. TTS 引擎：OmniVoice（推荐，跑在 WSL2，FlashInfer 加速）

项目默认 TTS 已从 Qwen3-TTS 换成 OmniVoice（小米 k2-fsa/OmniVoice，600+ 语言、克隆/设计双模式），并跑在 WSL2 里配合 FlashInfer（CUDA Graph 加速，Blackwell 专属）使用。实测收益：

| 指标 | 旧（Qwen3-TTS） | 新（OmniVoice + FlashInfer） | |---|---|---| | 克隆首轮出音 | 18.3s | 1.6s | | 热态出音 | ~2.2s | ~1.3s | | 空闲显存 | 7GB（常驻） | 5.3GB | | 音色数量 | 参考音频克隆 | 克隆 + 参数设计（性别/年龄/音调/方言） |

部署前提：Windows 11 + WSL2（Ubuntu 22.04）。WSL2 内用 uv 建环境：torch 2.13.0+cu130 + flashinfer 0.6.18 + jit-cache cu130 + nvcc cu13（Blackwell sm_120 必须 cu13 系列，cu129 会报「requires GPUs with sm75」）。注意：WSL2 系统里若有旧 nvcc（如 12.8）会干扰 flashinfer 的 CUDA 版本检测，启动服务前必须设置 CUDA_HOME 指向 cu13 的 nvcc 目录。

启动 OmniVoice 服务（WSL2 内）：

# 一键（含 CUDA_HOME 配置，模型复用 Windows 挂载 /mnt/e 的路径）
wsl -d Ubuntu-22.04 -- bash ~/omnivoice-wsl/start_server.sh

服务监听 0.0.0.0:9877，Windows 侧通过 WSL2 的 IP（wsl hostname -I 查询，重启后可能变化）访问，bridge-config 的 omnivoice.base 指向 http://<WSL2-IP>:9877。Windows 的 localhost 转发在本机 WSL2 网络模式下失效，必须用 IP。

备选：Qwen3-TTS（无需 WSL2，降级方案）：若不使用 WSL2，可在 bridge-config.json 里把 tts 相关配置切回 Qwen3-TTS-12Hz-1.7B-Base（仅 Base 支持参考音频克隆，VoiceDesign 不支持）。模型用 ModelScope 下载：

pip install modelscope
modelscope download --model Qwen/Qwen3-TTS-12Hz-1.7B-Base --local_dir ./Qwen3-TTS-12Hz-1.7B-Base

四、准备参考音频（决定音色）

AI 女友的声音是克隆自你的参考音频的。请自备一段：

• 时长：10 秒左右（5~20 秒都行）
• 内容：干净人声、无背景音乐、无杂音，用你自己的话自然地朗读一段内容即可（说什么都可以）
• 文件：命名为 ref_audio.wav，放到项目根目录（和 bridge/ 文件夹同级）。

配置里的 tts.ref_text 必须填你这段录音实际朗读的那句话（逐字一致、含标点）——音色克隆质量依赖文本与录音的匹配。

多音色切换（可选，推荐）

内置了多个音色预设，工具行「🎙️ 音色」按钮可随时切换（说话的声音立即变化，无需重启）。添加你自己的音色：

1. 在 voices/ 下新建一个子文件夹，名字即音色名（如 voices/我的声音/）
2. 里面放两个文件：
   • ref_audio.wav —— 参考音频（10 秒左右干净人声）
   • ref_text.txt —— 上面这段音频实际朗读的文本（UTF-8 编码）
3. 重启桥接，新音色自动出现在「🎙️ 音色」切换列表里

项目自带的参考音色不随仓库分发，请按此方式添加自己的（参考音频和文本都属于你的个人素材，不会入库）。

五、填写配置（复制模板 + 改 1 个必改项）

在项目根目录执行：

copy bridge\bridge-config.example.json bridge\bridge-config.json

用记事本打开 bridge\bridge-config.json：

必须改（1 处）

| 位置 | 改成什么 | |---|---| | omnivoice.base | OmniVoice 服务地址（WSL2 IP，如 http://192.168.1.244:9877） | | persona.default_voice | 默认音色名（见 voices/ 下的文件夹名） | | tts.ref_text（备选 Qwen3 时） | 参考音频实际朗读的文本（见第四部分） |

OmniVoice 模式下 tts.* 的模型路径不再使用（引擎跑在 WSL2 服务里）；只有切回备选 Qwen3-TTS 时才需要填 tts.model_name：

"C:/你的QwenTTS模型目录/Qwen3-TTS-12Hz-1.7B-Base"     ← 正斜杠
"C:\\你的QwenTTS模型目录\\Qwen3-TTS-12Hz-1.7B-Base"    ← 双反斜杠

建议改（1 处）

| 位置 | 改成什么 | |---|---| | tts.ref_text | 你参考音频实际朗读的文本（见第四部分） |

不用动（已自动处理）

| 配置 | 说明 | |---|---| | media.bg_images_dir / task_videos_dir | 相对路径，基于项目根自动解析 | | tts.ref_audio | 默认读取项目根的 ref_audio.wav | | stt.* | FunASR 中文识别配置（backend=funasr，模型在 models/funasr/），默认即可 |

六、先验证桥接（强烈建议）

启动桥接：

bridge\start-bridge.cmd

会弹出一个最小化的终端窗口，等 1-2 秒后，浏览器打开：

http://127.0.0.1:8765/api/health

看到 {"status":"ok", ...} 就说明桥接起来了（此时模型还没加载，等首次调用才会加载）。

更完整的测试（另开一个终端，在项目根目录、venv 激活状态下）：

venv-speech\Scripts\python.exe bridge\smoke_tts.py --text "你好，我是小雅。"

结束后项目根目录会生成 tts_out.wav，播放它——能听到克隆音色的声音，说明 TTS 链路通了。

七、安装 DSH 语音插件

桥接只是"声音的服务"，对话界面和麦克风按钮在 DSH 里，需要装插件。按 dsh-plugin/README.md 的步骤操作（把 dsh-plugin\ 整个复制进你的 deepseek-harness 源码树，注册三处、构建、重启）。

八、流式数字人：回复出镜对口型（可选增强）

回复不只是一段声音——配合 DUIX 数字人引擎，小雅会把你的回复实时生成口播视频：TTS 音频交给 DUIX（http://127.0.0.1:8383），它渲染出对应口型的视频，女友窗在生成完毕后视频 + 声音同刻播放（音频已混入视频，天然同步）。

流式分段：长回复自动切成 ≤10 秒的小段，当前段生成画面时，下一段语音已在后台合成——一段播完立即续接下一段，全程不干等。段级抢占：对话中来了更新的回复，当前长任务的剩余段自动让位（已生成段保留），最新回复永远最快开始。生成的口播视频保留最近 200 条（GET /api/dh/history 可回看）。

分段策略（默认：句子优先 + 48 字上限兜底）：先按句读标点（。！？!?；;，,）把回复切成句子，短句累积成段（不超 48 字 ≈ 8-10s 音频）；单句超长（如无标点长句）时，在 48 字窗口内找最近的断点字符（逗号/句号/空格/冒号）切，实在没有则 48 字硬切。→ 按句子断：每段语义完整、TTS 语气连贯、口型对得上；48 字上限：每段 ≤10s，DUIX 十几秒出片、段间续接快（听感与速度的平衡）。

⚙️ 自行调试：段长由 bridge-config.json → digital_human.segment_chars 控制（默认 48）。调小（如 40）→ 段更短、出片更快但更碎；调大（如 60）→ 段更长更连贯，但每段生成更久（DUIX 单任务，总等待随之增加）。按你的显卡/听感偏好调整。

麦克风打断：你开始说话（点麦克风/插话）时数字人视频立即停止播放——只停播放，生成任务与已存视频不受影响。

部署 DUIX（二选一）：

1. Docker 一键跑（推荐）：本项目提供了精简适配版 compose（bridge/docker-compose-5060ti.yml）——适配 RTX 50 系列（5060 Ti / 5090 同架构），并已去掉原项目的 Fish Speech TTS 与 FunASR ASR（语音由本项目自己的 voice_bridge 负责），只保留数字人服务：

   docker compose -f bridge\docker-compose-5060ti.yml up -d
   

   启动后数字人服务在 http://127.0.0.1:8383，共享卷 d:/duix_avatar_data/face2face 映射到容器 /code/data，成品视频直接落在宿主 D:\duix_avatar_data\face2face\temp\。

2. 手动跑：拉取 guiji2025/duix.avatar-5090 镜像后 python /code/app_local.py（容器内）。

配置（bridge-config.json → digital_human 段）：duix_base 服务地址、avatar_video 形象视频（放共享卷 temp，如 my_avatar.mp4）、segment_chars 分段字数（默认 48 ≈ 10s）、max_keep 保留条数（默认 200）。

提速技巧（实测：7.3s 音频 20.1s → 14.1s，约 -30%）：

• 形象视频换 15fps（输出规格跟随形象视频，1080p 画质不降）：ffmpeg -i my_avatar.mp4 -vf fps=15 -c:v libx264 -crf 20 -preset fast -an my_avatar_15fps.mp4 改名 my_avatar.mp4（原版备份）。
• 关超分：共享卷放一份 config.ini（[digital] chaofen = 0, batch_size = 2，compose 已挂载 /code/config/config.ini），容器重建不丢，再快约 10%。

开关：工具行「数字人」按钮——开：等视频生成完，TTS+画面同步播放；关：去掉视频生成，回到接近即时的纯语音朗读。

不开数字人也完全可用：回复走即时逐句 TTS，女友窗播空闲动画即可。

九、启动

只起桥接（想先单独验证语音）：

bridge\start-bridge.cmd

一键全套（桥接 + NapCatQQ + DSH Web + 浏览器）：

set DSH_HARNESS=C:\dev\deepseek-harness
set NAPCAT_DIR=D:\QQ\NapCat\napcat   rem 可选：NapCat 安装目录（默认此值）
bridge\start-all.cmd

• DSH_HARNESS 指向你第一步准备的那份 DSH 源码树（第六部分安装过插件的那个）。
• start-all.cmd 会自动：起桥接 → 起 NapCatQQ（会关闭所有运行中的 QQ 进程再注入小号）→ 起 DSH Web → 开浏览器。
• 不想自动起 NapCat（比如你要在电脑上正常用主号 QQ）：bridge\start-all.cmd nq（跳过 NapCat，QQ 双向聊天不工作）。
• 只想单独起 NapCat：bridge\start-napcat.cmd（会等 OneBot :3000 就绪，失败时提示去 WebUI 检查）。

十、QQ 双向对话（可选）

在 QQ 上直接和 AI 女友聊天：你的 QQ 消息会注入 DSH 对话，回复以文本 + 小雅语音推回你的 QQ。

1. 装 NapCatQQ（登录 QQ 小号）

• 下载 NapCat.Shell.Windows.Node.zip（官方推荐 Shell 版；Framework/LiteLoaderQQNT 路线官方已不推荐）
• 解压到任意目录（如 D:\QQ\NapCat），用 napcat\launcher-win10-user.bat 启动（会注入/拉起电脑版 QQ，先关闭正在运行的 QQ）
• QQ 登录用一个小号（防风控；注入后 QQ 窗口通常隐藏，用手机 QQ 查看消息）
• 启动后电脑上 NapCat 的 WebUI：http://127.0.0.1:6099（token 看 napcat\config\webui.json 的 token 字段）

2. 在 NapCat WebUI 配置网络

WebUI → 网络配置：

1. HTTP 服务器：添加 → 名称随意、Host 127.0.0.1、端口 3000、Token 记下来（发消息用）
2. WebSocket 客户端：添加 → 地址填完整 URL ws://127.0.0.1:8765/api/qq/onebot（NapCat 主动连桥接，收 QQ 消息用；不要配成 WebSocket 服务器，那会抢 8765 端口）

3. 配置桥接

bridge-config.json 加 qq 段：

"qq": {
  "enabled": true,
  "napcat_base": "http://127.0.0.1:3000",
  "napcat_token": "你在 WebUI 设置的 token",
  "target_qq": 你的主号QQ号
}

target_qq 是接收回复的号（你的主号）；NapCat 登录的小号负责收发。

4. 验证

• 从桥接发测试：POST /api/qq/send {"text":"你好","voice":true} → 主号收到文本+语音
• 发图片：POST /api/qq/image {"path":"C:/path/to/a.png"} → 主号收到图片（agent 生成图片后可直接推给你）
• 完整双向：用手机 QQ 主号给小号发消息 → DSH 对话出现该消息 → 回复自动以文本+语音发回主号

⚠️ 易踩坑要点

| 坑 | 说明 | |---|---| | 语音收不到 | ① 别给小号自己发语音（QQ 不支持自己给自己发语音）；② 语音必须 silk 格式（pip install pilk，桥接已内置转换），mp3 base64 发不出去 | | QQ 事件进不来 | 必须配 WebSocket 客户端（NapCat 连 ws://127.0.0.1:8765/api/qq/onebot），配成 WebSocket 服务器会抢 8765 端口失败 | | 重启 NapCat 后 OneBot 服务丢失 | NapCat 的 OneBot HTTP（3000）重启后有时不自动加载 —— 都在 WebUI 里管理（启用/保存），不要 kill 进程重启 | | WebUI 每次要 token | 改 napcat\config\webui.json 的 token 字段为固定值即可 | | 回复延迟 | 延迟主要来自 LLM 生成 + 整段 TTS 合成；回复越长越慢（分段推送优化是后续可选项） | | 端口冲突 | 8765 桥接、3000 OneBot、6099 WebUI —— 被占时改配置并同步改桥接的 napcat_base |

使用说明

1. 点麦克风：开始连续聆听（每句自动识别发送；再点一下停止）
2. 点**⚡**：插话（亮，默认）/ 排队（灭）——说话打断回复 vs 回复读完再自动接上
3. 点👧：显示/隐藏女友动画窗；窗口可拖宽、双击换边
4. 点🎭：数字人开关——开：回复生成口播视频，TTS+画面同步播放（分段续接）；关：接近即时的纯语音朗读
5. 点🔊：开/关语音朗读
6. QQ 对话：手机 QQ 主号给小号发消息即可（需已按「十、QQ 双向对话」配置）

---

常见问题

1. pip 装依赖太慢/超时 → 用清华镜像：

   pip install -r bridge\requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

2. HuggingFace 下载模型慢/失败 → 用国内镜像：

   set HF_ENDPOINT=https://hf-mirror.com
   

   设置后重新执行下载命令（huggingface-cli download ...）。

3. 第一次 TTS 很慢（10~60s） → 正常。模型首次懒加载 + 预热，之后每句约 0.5s 出音。

4. STT 偶尔识别为空 → FunASR 对超短语音/纯噪声会返回空结果被丢弃（日志见 funasr returned empty result）；若切换到 whisper 后端，则其 1-token 退化也会被判空，均属正常防护。

5. 桥接启动但模型加载失败 → 检查 bridge-config.json 里 tts.model_name 路径是否存在（路径拼写、盘符、斜杠方向），以及显卡驱动是否够新（见前置第 4 条）。

6. 桥接端口被占 → 改 bridge-config.json 的 port，并同步改插件的 s2s.voice.bridge（浏览器 localStorage）。

7. 女友窗不显示 → 确认 assets/ 目录存在、桥接已启动（窗口每 30s 拉一次素材列表）。

8. 数字人没出视频 → 检查：① 工具行数字人开关是否打开；② bridge-config.json 的 digital_human.enabled 是否为 true、duix_base 是否指向 DUIX 服务；③ 形象视频（avatar_video 配置的文件名，如 my_avatar.mp4）是否放在共享卷 temp 目录（DUIX 容器映射的 D:\duix_avatar_data\face2face\temp\）；④ 生成状态用 GET http://127.0.0.1:8765/api/dh/status 查看（done 且带 video_url 即为就绪）。

9. 数字人视频生成了但没播 → 刷新 DSH 页面（插件逻辑更新后需刷新加载）；确认女友窗可见。生成中窗口底部会显示「数字人生成中 i/n…」，一段播完自动续接下一段。

10. 声音不像参考音频 → 检查 ref_audio.wav 是否清晰无杂音、参考文本（voices/<音色名>/ref_text.txt）是否与录音逐字一致（标点也要对）；参考音频建议 3-10 秒单一完整句，不要跨句截取（跨句会导致输出混入参考内容）。OmniVoice 服务未启动时检查 ~/omnivoice-wsl/server.log 是否有报错。

---

自定义素材（音色 / 待机动画 / 数字人形象）

项目自带 5 套默认待机动画（assets/bg-images/bg2|bg4|bg9|bg56|bg5），开箱即用。以下说明如何添加自己的素材——三类互不影响，随时可在工具行切换：

🎙️ 自定义音色（voices/ 子文件夹，可多个并存）

1. 在 voices/ 下新建子文件夹，文件夹名即音色名（如 voices/我的声音/）
2. 放入 ref_audio.wav（10 秒左右干净人声）+ ref_text.txt（该音频实际朗读的文本，UTF-8）
3. 重启桥接 → 工具行「🎙️ 音色」按钮循环切换

🖼️ 自定义待机动画（assets/bg-images/ 子文件夹，可多个并存）

1. 在 assets/bg-images/ 下新建子文件夹（如 assets/bg-images/我的背景/），放入视频/图片
2. 无需重启：工具行「🖼️ 待机」按钮即时切换（每次查询自动扫描新文件夹）
3. 文件夹名即待机组名，建议用英文/数字避免 URL 编码问题

👤 自定义数字人形象（共享卷 temp 目录，D:\duix_avatar_data\face2face\temp\）

1. 把形象视频 mp4 放进 temp 目录（DUIX 容器与宿主共用的共享卷）
2. 工具行「👤 形象」按钮切换；或配置 bridge-config.json 的 digital_human.avatar_video 指定默认形象
3. 形象素材不随仓库分发（属个人素材），输出规格（分辨率/帧率）跟随形象视频文件

三类选择都会记忆（localStorage），刷新/重启后自动恢复。

---

许可

Apache-2.0（详见 LICENSE）。复用 HuggingFace speech-to-speech（Apache-2.0）与 deepseek-harness 插件框架（MIT）；assets/ 素材为 AI 生成，仅用于演示。