VideoChat
Henry-23/VideoChatRevisado por IA
Verificado pelo RepoPicks Radar em
O que é VideoChat?
Uma demo que você mesmo executa e que transforma um vídeo gravado de uma pessoa em um avatar falante com quem você pode conversar: ela escuta seu microfone, responde com um modelo de linguagem e fala em voz alta enquanto o rosto sincroniza os lábios, com o primeiro áudio em cerca de 3 segundos. Você pode adicionar seu próprio vídeo de avatar e clonar uma voz a partir de uma amostra de 3 a 10 segundos. É montada com FunASR, Qwen, GLM-4-Voice, GPT-SoVITS, CosyVoice e MuseTalk, precisa de Ubuntu, Python 3.10, CUDA e uma placa NVIDIA com 8 a 20 GB de memória, e as instruções principais estão em chinês.
Quão fácil é instalar VideoChat?
D · terminal, várias ferramentas ou placa específica · Linux
Linux é a única plataforma documentada e é nota D: o README pede "ubuntu 22.04, python 3.10, CUDA 12.2", um ambiente conda, `pip install -r requirements.txt` com cerca de cem pacotes fixados, um clone com `git lfs` do ModelScope para obter os pesos do modelo, e uma chave de API colada na linha 14 de `app.py` antes de rodar `python app.py` e abrir a página local. A exigência de placa de vídeo é de cerca de 8 GB para o modo em cascata e 20 GB para o modo ponta a ponta, medida em uma A100.
Em breve: instale com 1 clique pelo app RepoPicks.
VideoChat no GitHub
- Estrelas
- 1.331em 10 de nov. de 2026
- Downloads
- —todas as versões
- Crescimento
- —sem ganho na última leitura
Estrelas ao longo do tempo
Fatos
- Roda em
- Linux
- Você precisa instalar
- Python, Placa NVIDIA, FFmpeg
- Para compilar a partir do código
- Python, Placa NVIDIA, FFmpeg
- Espaço em disco
- 1,8 GB–6,7 GB · estimativa
- Contas ou chaves
- Alibaba Cloud DashScope (Qwen and CosyVoice)
- Custo
- Grátis, a API é paga · O código é MIT e gratuito. Por padrão, o modelo de linguagem e a voz vêm das APIs pagas Qwen e CosyVoice da Alibaba Cloud; para rodar tudo localmente, é preciso editar os arquivos-fonte e usar uma placa de vídeo bem maior.
- Licença
- MIT (Permissiva)
- Última mudança no GitHub
- 18 de dez. de 2025
Sinais de risco de VideoChat (8)
- AtençãoDependências com vulnerabilidades conhecidas
Dependências fixadas com vulnerabilidades conhecidas (OSV): gradio: GHSA-39mp-8hj3-5c49, GHSA-5cpq-9538-jm2j, GHSA-6655-8ph2-63j3; torch: GHSA-3749-ghw9-m3mg, GHSA-53q9-r3pm-6pq6, GHSA-63cw-57p8-fm3p; diffusers: GHSA-7wx4-6vff-v64p, GHSA-98h9-4798-4q5v, PYSEC-2026-2446; accelerate: GHSA-4j2p-28q2-5m79, PYSEC-2026-3804; gdown: GHSA-76hw-p97h-883f, PYSEC-2026-2158; requests: GHSA-9hjg-9r4m-mvj7, GHSA-gc5v-m9x4-r6x2, PYSEC-2026-1872; pytorch-lightning: GHSA-75m9-98v2-hjpm, PYSEC-2026-3043, PYSEC-2026-3967; sentencepiece: GHSA-38vq-g6vr-w8wf, PYSEC-2026-1909; opencc: GHSA-7fqq-q52p-2jjg; modelscope: GHSA-fhhq-h4hg-549x, PYSEC-2026-2663; transformers: GHSA-29pf-2h5f-8g72, GHSA-37mw-44qp-f5jm, GHSA-4w7r-h757-3r74; deepspeed: GHSA-8cp5-3rf8-8gfh, PYSEC-2024-109; hydra-core: GHSA-2cp2-2r3c-7p7r, GHSA-c3wx-c55w-pxjq, PYSEC-2026-3850; lightning: GHSA-cgwc-qvrx-rf7f, GHSA-mr7h-w2qc-ffc2, GHSA-qqmf-gpg7-g8gw; protobuf: GHSA-7gcm-g887-7qv7, GHSA-8qvm-5x2c-j2w7, PYSEC-2026-1805; requests: GHSA-9hjg-9r4m-mvj7, GHSA-gc5v-m9x4-r6x2, PYSEC-2026-1872
checagem automática
- Atençãoclonagem de voz e rosto pode se passar por outra pessoa
A descrição do projeto promete "可自定义形象与音色,支持音色克隆" (aparência e timbre de voz personalizáveis, com clonagem de voz). A seção 5.1 usa "录制好的数字人形象视频" — um vídeo gravado de uma pessoa — como avatar, e a 5.2 clona uma voz a partir de um clipe de referência de "3-10s". Nada no repositório pergunta se a pessoa do vídeo ou da gravação deu consentimento, e não há nenhum aviso sobre isso.
revisão por IA
- Atençãodesenvolvimento desacelerou
O último commit na versão verificada é de 2025-12-18, 322 dias antes da checagem, sem releases e com 25 issues abertas. O próprio README avisa "requirements中的版本仅供参考,最新依赖请查看对应模块的Repo说明" — as versões fixadas são só uma referência, é preciso checar o repositório de cada componente.
revisão por IA
- Atençãoconfigurar significa editar arquivos-fonte
A chave de API vai na linha 14 de `app.py` (`os.environ["DASHSCOPE_API_KEY"] = "INPUT YOUR API-KEY HERE"`), baixar o GLM-4-Voice significa colar chamadas `snapshot_download(...)` em `app.py`, um novo avatar significa editar `avatar_list` em `src/thg.py`, e dispensar a chave significa apagar as partes de `CosyVoice_API` em `src/tts.py`. Não existe arquivo de configuração.
revisão por IA
- Infopesos e código vêm do modelscope
A instalação recomendada é `git clone https://www.modelscope.cn/studios/AI-ModelScope/video_chat.git` — o código e os arquivos de pesos rastreados vêm do ModelScope, uma plataforma de modelos chinesa, não deste repositório no GitHub. Os downloads manuais apontam para MuseTalk, GPT-SoVITS e os modelos `glm-4-voice-*` da ZhipuAI.
revisão por IA
- Infocada parte tem sua própria licença
Este repositório é MIT, mas ele só costura outros projetos: FunASR, Qwen, GLM-4-Voice, GPT-SoVITS, CosyVoice, edge-tts e MuseTalk. Cada um desses modelos e seus pesos tem seus próprios termos, que decidem o que você pode fazer com os avatares e o áudio que produz.
revisão por IA
- Infoa rota de voz gratuita usa um serviço de navegador
A seção 3.2.2 sugere, quando você não tem chave de API, "使用`Edge_TTS`调用Edge浏览器的免费TTS服务" — chamar o serviço gratuito de texto para voz embutido no navegador Edge através do pacote `edge-tts`, um serviço que a Microsoft publica para o seu navegador, não para outros programas.
revisão por IA
- Infoarestas conhecidas ainda não resolvidas
A seção "已知问题" (problemas conhecidos) do README lista erros de recursos ausentes, falhas ao carregar o modelo por downloads incompletos dos pesos, e "右侧视频流播放卡顿:需等待Gradio优化Video Streaming效果" — o fluxo de vídeo trava enquanto se espera o Gradio melhorar a transmissão de vídeo.
revisão por IA
As evidências aparecem no idioma original.
O que o Radar não conseguiu verificar em VideoChat
- Se a instalação ainda funciona, já que as versões fixadas são de 2024 e o README diz para checar cada componente por conta própria
- Como a conversa realmente é em uma placa menor que a A100 usada para os números de 3 e 7 segundos
- Quanto a Alibaba Cloud cobra pelas chamadas a Qwen e CosyVoice na configuração padrão
- O espaço real em disco ocupado por todos os pesos do modelo
- Se é possível fazer funcionar no Windows ou em um Mac, algo que as instruções nunca cobrem
- Quão bons são a sincronização labial e a voz clonada com seu próprio vídeo e áudio