RepoPicks Radar

每天约 23:30 UTC 更新

指南

VideoChat

Henry-23/VideoChatAI 已审核

RepoPicks Radar 检查于

VideoChat 是什么?

一个你自己运行的演示程序,把一段录制好的人物视频变成可以对话的说话人形象:它会听你的麦克风说话,用语言模型生成回答,并一边对口型一边大声念出来,首个音频大约 3 秒就能出现。你可以添加自己的形象视频,还能用 3 到 10 秒的样本克隆一个声音。它由 FunASR、Qwen、GLM-4-Voice、GPT-SoVITS、CosyVoice 和 MuseTalk 拼装而成,需要 Ubuntu、Python 3.10、CUDA 以及一块 8 到 20 GB 显存的 NVIDIA 显卡,主要说明是中文的。

VideoChat 安装有多容易?

D · 终端、多个工具或特定显卡 · Linux

Linux 是唯一有文档说明的平台,评级是 D:README 要求 "ubuntu 22.04, python 3.10, CUDA 12.2",一个 conda 环境,`pip install -r requirements.txt` 安装大约上百个锁定版本的包,用 `git lfs` 从 ModelScope 克隆来获取模型权重,还要把 API 密钥粘贴到 `app.py` 的第 14 行,然后才能运行 `python app.py` 打开本地页面。显卡需求大约是级联模式 8 GB、端到端模式 20 GB,这是在 A100 上测得的。

即将推出:用 RepoPicks 应用一键安装。

VideoChat 的 GitHub 数据

星标
1,3312026年11月10日
下载量
—所有发布版本
增长
—上次读取时无增长

星标变化

1,3311,3321,333 11月6日11月7日11月8日11月9日11月10日 1,3311,3321,333 11月6日11月8日11月10日

事实

可运行于
Linux
需要安装
Python, NVIDIA 显卡, FFmpeg
从源码编译需要
Python, NVIDIA 显卡, FFmpeg
磁盘空间
1.8 GB–6.7 GB · 估算
账号或密钥
Alibaba Cloud DashScope (Qwen and CosyVoice)
费用
免费,API 另行收费 · 代码是 MIT 许可,免费。默认情况下语言模型和语音都来自阿里云的付费 Qwen 和 CosyVoice API;想完全本地运行就得修改源代码文件,并配备一块大得多的显卡。
许可证
MIT (宽松型)
可以替代
HeyGen, Synthesia, D-ID
GitHub 上的最近改动
2025年12月18日

VideoChat 的风险信号 (8)

  • 注意依赖存在已知漏洞

    锁定的依赖存在已知漏洞(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

    自动检查

  • 注意声音和人脸克隆可能被用来冒充他人

    项目介绍承诺 "可自定义形象与音色,支持音色克隆"。第 5.1 节把 "录制好的数字人形象视频" ——也就是一段录制好的人物视频——当作形象素材,5.2 节则用一段 "3-10s" 的参考片段克隆声音。仓库里没有任何地方询问视频或录音中的人是否同意,也没有任何免责声明。

    AI 审核

  • 注意开发节奏变慢

    被检查快照中的最后一次提交是 2025-12-18,距检查日 322 天,没有任何 release,有 25 个未关闭的 issue。README 自己也提醒 "requirements中的版本仅供参考,最新依赖请查看对应模块的Repo说明" ——锁定的版本只是参考,要查看每个组件自己的仓库说明。

    AI 审核

  • 注意配置意味着要修改源代码文件

    API 密钥要写进 `app.py` 第 14 行(`os.environ["DASHSCOPE_API_KEY"] = "INPUT YOUR API-KEY HERE"`),下载 GLM-4-Voice 需要把 `snapshot_download(...)` 调用粘贴进 `app.py`,换一个新形象要修改 `src/thg.py` 里的 `avatar_list`,不想用密钥则要删掉 `src/tts.py` 里 `CosyVoice_API` 的部分。没有任何配置文件。

    AI 审核

  • 信息权重和代码来自 modelscope

    推荐的安装方式是 `git clone https://www.modelscope.cn/studios/AI-ModelScope/video_chat.git` ——代码和被跟踪的权重文件来自 ModelScope(一个中国的模型平台),而不是这个 GitHub 仓库本身。手动下载指向的是 MuseTalk、GPT-SoVITS 以及 ZhipuAI 的 `glm-4-voice-*` 模型。

    AI 审核

  • 信息各个组成部分有各自的许可证

    这个仓库本身是 MIT 许可,但它只是把别的项目粘合在一起:FunASR、Qwen、GLM-4-Voice、GPT-SoVITS、CosyVoice、edge-tts 和 MuseTalk。这些模型和它们的权重各有各的条款,决定了你能用生成的形象和音频做什么。

    AI 审核

  • 信息免费语音路线使用的是浏览器自带服务

    3.2.2 节建议,在没有 API 密钥的情况下,"使用`Edge_TTS`调用Edge浏览器的免费TTS服务" ——通过 `edge-tts` 包调用 Edge 浏览器内置的免费文字转语音服务,这是微软为自家浏览器提供的服务,而不是给其他程序用的。

    AI 审核

  • 信息已知的粗糙问题

    README 的 "已知问题" 部分列出了资源缺失的报错、因权重下载不完整导致的模型加载失败,以及 "右侧视频流播放卡顿:需等待Gradio优化Video Streaming效果"。

    AI 审核

证据以原始语言显示。

Radar 无法验证的 VideoChat 相关内容

  • 由于锁定的版本是 2024 年的,README 也说要自行查看每个组件,安装现在是否还能正常进行尚不确定
  • 在比测出 3 秒和 7 秒数据所用的 A100 更小的显卡上,对话体验到底如何
  • 默认配置下调用 Qwen 和 CosyVoice,阿里云实际收费是多少
  • 所有模型权重实际占用多少磁盘空间
  • 说明文档从未提到的 Windows 或 Mac 上是否能跑起来
  • 用你自己的视频和音频,对口型效果和克隆出的声音到底有多好

类似项目

RepoPicks 应用

即将推出:用 RepoPicks 应用一键安装。

下载之前

在 GitHub 上查看版本页面