← 返回列表

findings_C2.md

C2 组核查结果：实时数字人（talking head）开源项目 — 3 仓深挖

0. 头条结论（先说最重要的三条）

  1. duixcom/Duix.Heygem 这个仓库在 2026 年已经不存在了 —— 它被官方重命名为 duixcom/Duix-Avatar，GitHub 对旧地址做 301 跳转。所以"Duix.Heygem 2026 状态"的正确答案是：主体已改名，改名后的 Duix-Avatar 是唯一活跃主线。
  2. Duix.Avatar 在 Blackwell / sm_120 上目前是坏的：2026-09-04 有人开了 Issue #624，报 CUDA error: no kernel image is available for execution on the device，根因指向 Docker 镜像里的 PyTorch 不含 CC 12.0 内核，该 Issue 至今 Open 且零回复。
  3. LatentSync 官方 1.6 的最低推理显存是 18GB，16GB 单卡不达官方门槛；但 2026-07-03 有人在 RTX 5070 Ti 16GB 上实测跑通了（峰值 15807MB），代价是约 27.7–41.1 秒墙钟时间换 1 秒输出 —— 约为实时的 1/28 ~ 1/41。

1. duixcom/Duix.Heygem（→ 已改名 duixcom/Duix-Avatar）

1.1 仓库身份与 2026 活跃度

项目结果证据
duixcom/Duix.Heygem301 跳转到 duixcom/Duix-Avatarcurl -sL -w '%{url_effective}' → 200 -> https://github.com/duixcom/Duix-Avatar；ungh.cc 对 duixcom/Duix.Heygem 查询返回 "id":907627874,"name":"Duix-Avatar"（同一个 repo id，证明是重命名而非新仓）
Stars / Forks15547 / 2642ungh.cc/repos/duixcom/Duix-Avatar，2026-09-22 读取
创建 / 最后 push创建 2024-12-24T03:00:26Z；最后 push 2026-04-21T07:06:36Z同上。→ 2026 年有提交（4 月），但到 9 月已约 5 个月无代码更新
改名证据（Release）v1.0.5（2025-08-15）发布说明："The original project name "HeyGem" has now been officially changed to "Duix.Avatar"."；v1.0.6（2025-09-28）："It's just a name change. If the version you're using has no issues, you can continue to use it."releases

1.2 duixcom org 下各仓 2026 状态（逐个核查，含"是否存在"）

说明：任务要求的 curl https://api.github.com/orgs/duixcom/repos 因本机 IP 限流（core remaining=0，reset 13:52）无法执行；改用 ungh.cc 镜像逐个精确查询 + 落地页跳转探测，结论同样可证伪。

仓库状态（2026-09-22）Stars最后 push说明
duixcom/Duix-Avatar（原 Duix.Heygem）✅ 存在、2026 有更新155472026-04-21本组主目标的正身
duixcom/Duix.Mobile（原 Duix.mobile）✅ 存在、2026 活跃82522026-08-05移动端/嵌入式实时交互 SDK，非本地 GPU 服务。仓描述："on-premise deployment and <1.5 s latency"
duixcom/Duix.Heygem.Android❌ 404，不存在——该仓从未存在或已删除；raw 的 main/master 均 404
duixcom/duix-skills⚠️ 2026-07-14 新建，但非本地模型42026-08-12见下方"2026 后继者判定"
duixcom/Duix-Reface❌ 404（Duix.Mobile README 里仍在推荐它，但已不可访问）——文档链接已失效
duixcom/Duix.mobile（旧名）301 → duixcom/Duix-Mobile——同为重命名

"2026 后继者是否取代 Duix.Heygem" 判定：

1.3 (c) 显存需求 + 16GB 单卡能否跑

1.4 (d) 端到端时延 / FPS

1.5 (e) 流式 / 可打断

1.6 (f) 中文支持 / 半身全身

1.7 (g) 坑：sm_120 / Blackwell / Docker 部署 / 许可

🔴 最致命：Blackwell 目前跑不起来（2026 年 9 月仍是 Open）

Issue #624，标题 "RTX 5070 (Blackwell) not supported — CUDA kernel error on Docker backend"，opened on Sep 4, 2026，状态 Open，且页面零回复（"Sign up for free to join this conversation"）。原文逐字引用：

GPU: NVIDIA GeForce RTX 5070 Laptop GPU Compute Capability: 12.0 (Blackwell) Driver: 592.15 Error from duix-avatar-tts container: RuntimeError: CUDA error: no kernel image is available for execution on the device Root cause: The Docker images are compiled with a PyTorch version that doesn't include CUDA kernels for compute capability 12.0. PyTorch 2.7+ added Blackwell support. Request: Please rebuild and push updated Docker images (guiji2025/fish-speech-ziming, guiji2025/fun-asr, guiji2025/duix.avatar) compiled against PyTorch 2.7+ with sm_120 support.

链接：issue #624

→ 对 RTX 5060 Ti (sm_120) 的直接含义：默认三个 Docker 镜像的主线编译目标不含 sm_120，TTS 容器会直接抛 no kernel image is available。维护者截至 2026-09-22 未回应。

⚠️ 50 系有独立镜像，但只针对 5090，且未验证 sm_120/5060 Ti

部署形态：纯 Docker 打包，无源码级可调

三个服务（docker-compose-linux.yml）：

服务镜像端口关键配置
duix-avatar-ttsguiji2025/fish-speech-ziming18180:8080runtime: nvidia，NVIDIA_VISIBLE_DEVICES=0
duix-avatar-asrguiji2025/fun-asr10095:10095runtime: nvidia，privileged: true
duix-avatar-gen-videoguiji2025/duix.avatar8383:8383runtime: nvidia，privileged: true，shm_size: '8g'，PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:512

坑点：

许可 / 商业授权 —— ⚠️ README 与 LICENSE 正文数字不一致，以 LICENSE 为准

我在本轮补抓了 LICENSE 正文（raw.githubusercontent.com/duixcom/Duix-Avatar/main/LICENSE，7120 字节），标题逐字为 DUIX.COM COMMUNITY LICENSE AGREEMENT（自定义社区许可，非标准 SPDX 许可）。

🔴 关键纠正：商用门槛是 1000 MAU，不是 README 说的 10 万用户。

LICENSE 里的其他附加义务（逐字摘要，易被忽略但都是硬性）：

（对照：bytedance/LatentSync 的 LICENSE 正文我已抓取核实，为标准 Apache License Version 2.0，详见 3.6 节。）

同时 README 明说自部署版的定位是 "Lip Sync Effect: Usable effect"（可用级），而云端 API 才是 "Stunning and higher definition effect"、且 "Iteration Speed: Slow updates, bug fixes depend on the community" —— 官方自认开源版迭代慢。

2. Rudrabha/Wav2Lip

2.1 2026 状态：事实性停更（effectively abandoned）

项目数值证据
Stars / Forks13219 / 2849ungh.cc/repos/Rudrabha/Wav2Lip
创建2020-08-07同上
最后 push2025-06-22同上。→ 2026 年零更新
最新 Issue 活动搜索页里最新的 Issue 是 #613 "Extracting raw audio... and stuck. Load not working"，opened on Jan 3, 2024；#584 opened on Nov 10, 2023issues 搜索

停更的硬证据（README 已被改成商业导流页）：master 分支 README 开头第一段不再是论文说明，而是：

Commercial Version

Create your first lipsync generation in minutes. Please note, the commercial version is of a much higher quality than the old open source model! Create your API key from the Dashboard.

其后大段内容是 Sync.so 的 pip install syncsdk 调用示例，论文原文被挤到 README 尾部。（README） → 结合 2025-06-22 那次 push 的性质（把 README 换成商业 API 导流，而非代码更新），以及 Issue 追踪器自 2024 年初起基本无维护者回应，可以判定：Wav2Lip 在 2026 年已是"存档态"项目，作者精力已转移到商业产品 sync.so。

社区推荐的后继者：

2.2 (c) 显存需求 + 16GB

2.3 (d) 端到端时延 / FPS

未查到官方或可引用的实测数字。 唯一相关线索是 Issue #584（标题 "How much time do you need to lip sync a 10 sec or 1 minute video?"，opened on Nov 10, 2023，至今 Open 且无人给出有效回答），提问者原文：

I have been trying the last days with both wav2lip HD (not in auto) and retalker, and found that both are slow and very GPU consuming. I would like to know everyone of you HOW MUCH GPU do you use (what card) and HOW MUCH time does it take for you to do it? Please contribute. Because I am about to drop this technology and give up on it, maybe others peoples experiences will give me hope.

链接：issue #584 → 该 Issue 本身没有给出数字，它只能证明"用户普遍抱怨慢、且社区无人应答"。

2.4 (e) 流式 / 可打断

不支持。 架构是整段批处理：python inference.py --checkpoint_path <ckpt> --face <video.mp4> --audio <an-audio-source>，结果一次性写盘为 results/result_voice.mp4。无流式接口、无 chunk 级回调、不可中途打断。（README）

2.5 (f) 中文支持 / 半身全身

2.6 (g) 坑：sm_120 / 依赖 / 维持性

librosa==0.7.0
numpy==1.17.1
opencv-contrib-python>=4.2.0.34
opencv-python==4.1.0.25
torch==1.1.0
torchvision==0.3.0
tqdm==4.45.0
numba==0.48

PyPI 硬证据（curl https://pypi.org/pypi/torch/1.1.0/json）：torch==1.1.0 全仓仅 9 个 wheel，上传时间 2019-04-30，Python 标签只有 cp27 / cp35 / cp36 / cp37——没有任何 cp38+ 轮子，文件名为 torch-1.1.0-cp37-cp37m-manylinux1_x86_64.whl（manylinux1 是 2010 年 ABI 基线）。同批老矩阵：torchvision==0.3.0（2019-05-22）、numpy==1.17.1（2019-08-27）、numba==0.48（2020-06-30）。 三层含义：① 装不上 —— Ubuntu 24.04 是 Python 3.12，torch 1.1.0 无对应 wheel，pip install -r requirements.txt 直接失败；② 跑不了 —— 1.1.0 的 CUDA 轮子属 CUDA 9/10 时代，arch 上限远低于 sm_120，必报 no kernel image available；③ 生态全断 —— numba 0.48 / numpy 1.17.1 / librosa 0.7.0 在 Python 3.12 上均无可用轮子。 → 判定：该 requirements.txt 在 2026 年 Ubuntu + sm_120 上属于"不可复现文档"，只能当算法参考，必须用现代 torch 重写推理脚本（社区各 fork / ComfyUI 节点本质都是这么做的）。这也解释了为何 Issue 追踪器自 2024 初就没人回答环境问题。

3. bytedance/LatentSync

3.1 2026 状态与版本

项目数值证据
Stars / Forks6090 / 981ungh.cc/repos/bytedance/LatentSync；GitHub Issues 页 aria-label 亦为 "6090 users starred this repository"
创建 / 最后 push2024-12-11 / 2025-06-20同上 → 2026 年零代码更新（截至 2026-09-22 已停更约 15 个月）
GitHub Releases空（{"releases":[]}）同上。权重走 HuggingFace，不打 GitHub Release
最新版本1.6（2025/06/11）README Updates："2025/06/11: We released LatentSync 1.6, which is trained on 512×512 resolution videos to mitigate the blurriness problem."；HF 仓 ByteDance/LatentSync-1.6

"2026 后继版是否改变要求" 的答案：没有 2026 新版；而 1.6 相对 1.5 把显存要求改坏了（8GB → 18GB）。

3.2 (c) 显存需求 —— 16GB 单卡的判决书就在这里

【作者自述，README 原文，最权威】

Minimum VRAM for inference:

  • 8 GB with LatentSync 1.5
  • 18 GB with LatentSync 1.6

链接：LatentSync README

→ 16GB 单卡 < 官方 18GB 门槛，官方口径下 1.6 不可行。 要留在 16GB 内，官方口径只允许退回 1.5（8GB）。

训练档（同一 README，供参考）：stage1.yaml 23GB；stage2.yaml 30GB；stage2_efficient.yaml 20GB（作者注："suitable for users with consumer-grade GPUs, such as the RTX 3090"）；stage1_512.yaml 30GB；stage2_512.yaml 55GB。（README）

fp16/权重体积（第三方）：ComfyUI 封装仓 README 列出 latentsync_unet.pt (~5GB)、stable_syncnet.pt (~1.6GB)，并称 "Reduced VRAM Requirements: Optimized to run on 20GB VRAM (RTX 3090 compatible)"。（ShmuelRonen/ComfyUI-LatentSyncWrapper）⚠️ 该仓为第三方封装，且"20GB / RTX 3090"表述自相矛盾（3090 是 24GB），仅作量级参考。

🟢 决定性第三方实测：RTX 5070 Ti 16GB 真的跑起来了（2026 年 7 月） Issue #365 "TensorRT-RTX optimized inference path and reduced-step speed benchmarks"，opened on Jul 3, 2026，作者 Petrus Vermaak（自述 "This work was directed, tested, and validated by Petrus Vermaak... OpenAI Codex served as the implementation and engineering agent"）。测试系统：RTX 5070 Ti 16 GB test system —— 同为我们关心的显存档位与 Blackwell 世代。基准夹具原文：

Fixture: official demo video/audio, 9.68s output, 242 frames, 512 face processing, 20 steps, guidance 1.5.

BackendWall secondsSec/output secondChange vs exact20Peak total VRAM
exact20 PyTorch eager397.51241.065baseline15807 MB
optimized20 TensorRT-RTX exact268.16027.70232.54% faster12551 MB

（逐字引用表格数字；链接：issue #365）

→ 【第三方实测】16GB 单卡在 512×512 / 20 步下可以跑完 LatentSync 1.6：裸 PyTorch 峰值 15807 MB（已占满 16GB 的 96%，极限）、TensorRT-RTX 优化后 12551 MB（留有余量）。官方说的 18GB 是保守门槛，实测 16GB 能压进去，但 PyTorch 裸跑基本贴着天花板。

用户侧旁证（都指向 16GB 不够）：

3.3 (d) 端到端时延 / FPS

3.4 (e) 流式 / 可打断

不支持，且被 Issue 明确暴露。 架构是整段扩散去噪（20 步），没有 chunk 级流水线；Issue #326 标题即为 "How to run inference on longer video?"（issue #326）→ 长视频要自己切段处理。无流式输出、无打断机制。

3.5 (f) 中文支持 / 半身全身

3.6 (g) 坑：torch/CUDA / xformers / flash-attn / 512×512 显存

🔴 最硬的坑：官方依赖锁死在 cu121，不含 sm_120 内核。 requirements.txt 逐字（raw）：

torch==2.5.1
torchvision==0.20.1
--extra-index-url https://download.pytorch.org/whl/cu121
diffusers==0.32.2
transformers==4.48.0
decord==0.6.0
accelerate==0.26.1
einops==0.7.0
omegaconf==2.3.0
opencv-python==4.9.0.80
mediapipe==0.10.11
python_speech_features==0.6
librosa==0.10.1
scenedetect==0.6.1
ffmpeg-python==0.2.0
imageio==2.31.1
imageio-ffmpeg==0.5.1
lpips==0.1.4
face-alignment==1.4.1
gradio==5.24.0
huggingface-hub==0.30.2
numpy==1.26.4
kornia==0.8.0
insightface==0.7.3
onnxruntime-gpu==1.21.0
DeepCache==0.1.1

→ torch==2.5.1 + cu121 官方 wheel 不含 sm_120（Blackwell）内核。在 RTX 5060 Ti 上照原样装，会撞上与 Duix #624 同型的 no kernel image is available for execution on the device。必须自行升级到 torch ≥ 2.7 + cu128/cu13x，而任何 torch 升级都可能打破下面这批老旧 pin。这是本项目在 sm_120 上最大的工作量来源。

✅ 好消息：不需要 xformers，也不需要 flash-attn。 我逐条核对了上面的 requirements：没有 xformers，也没有 flash-attn。→ 不存在 flash-attn/triton 需要现场编译 sm_120 内核的问题，这一点比很多扩散类 talking-head 项目（如 MuseTalk / 部分 ComfyUI 节点）友好得多。注意力走 diffusers 默认路径。 （若走 TensorRT-RTX 路线，Issue #365 已证明在 16GB Blackwell 上可行且比 PyTorch 省 3256MB 峰值显存、快 32.54%，是本项目在 16GB 卡上最值得走的优化路径。）

其他版本坑（逐条）：

3.7 LatentSync 面向 RTX 5060 Ti 16GB 的一句话判决

能跑，但要打破官方依赖并接受"离线批处理"定位：官方 18GB 门槛把 1.6 判为不合规；实测 16GB（5070 Ti）在 512×512/20 步下峰值 15807MB 可通过，TensorRT-RTX 降到 12551MB。代价是速度仅约实时的 1/28~1/41，且必须自己把 torch 从 cu121 迁到 cu128+ 才能吃 sm_120。 它不是"实时数字人"，是"离线 lip-sync 渲染器"。

4. 三仓横向对照（面向 RTX 5060 Ti 16GB / sm_120）

维度Duix.Avatar（原 Duix.Heygem）Wav2LipLatentSync
2026 状态改名后仍活跃（2026-04 有提交）停更（2025-06-22 最后一次 push，README 已商业导流）停更 15 个月（2025-06-20）
Stars15547132196090
官方推理显存未给数字（整机推荐 RTX 4070，16GB+ 为推荐档）未给8GB(1.5) / 18GB(1.6)
16GB 单卡⚠️ 怕是不行：三容器常驻，无 16GB 实测✅ 几无悬念可跑（推断）⚠️ 官方不合规，实测 15807MB 压线可跑
成片速度未查到 FPS（官方定义非实时）未查到（Issue 普遍抱怨慢）27.7~41.1 秒 / 1 秒成片（5070Ti 16GB 实测）
流式/打断❌ 提交+轮询❌ 整段批处理❌ 整段扩散
中文✅ 8 语言含中文⚠️ 语言无关，但只训练英文(LRS2)✅ 明确优化中文视频
半身/全身【推断】继承源视频（face2face）只改嘴部，身体不动❌ 仅面部
sm_120 现状🔴 坏（Issue #624 Open 零回复，主线镜像无 CC12.0 内核；仅 5090 专用镜像存在，未验证 5060 Ti）🔴 pin 即不可用（torch==1.1.0 为 2019 年 CUDA 9/10 时代，且无 cp38+ 轮子；须整套重写）🟡 需自行把 cu121→cu128+（无 xformers/flash-attn，省一大坑）
商用许可⚠️ 自定义许可（非开源）：DUIX.COM COMMUNITY LICENSE，MAU > 1000 即须申请商业授权（README 误写"10 万"，差 100 倍）❌ 严格禁止商用（LRS2 数据集限制）✅ Apache License 2.0（LICENSE 正文已核实）
部署形态Docker 三容器 + 客户端 App裸 Python 脚本裸 Python 脚本

5. 依赖 pin 对 sm_120 / Blackwell 的含义（本轮重点补充）

5.1 事实基线：要原生支持 sm_120 需要什么

【官方，PyTorch 官方博客】PyTorch 2.7 发布说明逐字（pytorch.org/blog/pytorch-2.7，180248 字节，我已抓取正文）：

→ 基线结论：要原生吃 sm_120，torch 必须 ≥ 2.7 且用 cu128（或更新）轮子；cu121 及更早的官方轮子不含 sm_120 内核。

【第三方实测，逐字警告文本 —— 索引标题级证据】 Comfy-Org/ComfyUI Issue #7127 的页面标题逐字包含运行期警告：

UserWarning: NVIDIA GeForce RTX 5070 Ti with CUDA capability sm_120 is not compatible with the current PyTorch installation. The current PyTorch install supports CUDA capabilities sm_50 sm_60 sm_61 sm_70 sm_75 sm_80 sm_86 sm_90.

→ 这就是 cu121 轮子的实际 arch 列表：最高到 sm_90，没有 sm_120。触发设备是 RTX 5070 Ti（同为 sm_120），与我们的 5060 Ti 同代同 cap。 ⚠️ 诚实标注：本轮 github.com 的 Issue 正文页多次抓取超时（网络问题），上述引文来自搜索索引返回的页面标题原文，我未读取该 Issue 正文；pytorch/pytorch #166794 同理，其标题逐字为 "[Bug] RTX 5070 Ti (sm_120) not recognized by PyTorch 2.5.1+cu121"。两者作为"同型 pin 已被报告失败"的证据成立，但均为标题级、非正文级证据。 【第三方实测，同型】HybridRobotics/Berkeley-Humanoid-Lite Issue #49 标题逐字："RTX 5090 (SM_120) fails with default torch/cu121: no kernel image is available"。

5.2 三条路线的 pin 逐条判定

仓库pin（逐字）sm_120 可用性必须做什么
LatentSynctorch==2.5.1 / torchvision==0.20.1 / --extra-index-url .../cu121 / onnxruntime-gpu==1.21.0🔴 不可用：2.5.1 早于 2.7，cu121 arch 表止于 sm_90升 torch ≥2.7 + cu128，并连带处理 5.4 的脆点
Wav2Liptorch==1.1.0 / torchvision==0.3.0 / numba==0.48 / numpy==1.17.1 / librosa==0.7.0🔴 绝对不可用：2019 年 CUDA 9/10 产物，且无 cp38+ 轮子pin 形同废弃，须整体现代化重写
Duix.Avatar源码无 pin——pin 在 Docker 镜像内部🔴 已实测失败：Issue #624 证实镜像不含 CC 12.0 内核用户无法自行解决，只能等官方重建镜像或自建镜像

特别注意 LatentSync 与 #166794 的 pin 是同型：torch 2.5.1 + cu121 正是被反复报告在 RTX 5070 Ti / 5090（sm_120） 上失败的那一组。这不是理论风险，而是已在同代硬件上被复现的失败组合。

5.3 Wav2Lip 的 torch==1.1.0 到底有多致命（本轮新查，PyPI 硬证据）

【第三方可核实，PyPI JSON API】torch==1.1.0 的全部 9 个 wheel（https://pypi.org/pypi/torch/1.1.0/json）：

三层含义：

  1. 装不上：Ubuntu 24.04 默认 Python 3.12，torch 1.1.0 无对应 wheel，pip install -r requirements.txt 必然失败；若强行从源码编译，2019 年的 CUDA 代码在 CUDA 13.2 的 nvcc 下几乎必然编译失败。
  2. 跑不了：即便人工凑出环境，1.1.0 的 CUDA 轮子属 CUDA 9.0/10.0 时代，arch 覆盖远低于 sm_120，必报 no kernel image is available for execution on the device（与 Duix #624 同型错误）。
  3. 生态全断：numba==0.48（依赖 llvmlite 0.31）、numpy==1.17.1、librosa==0.7.0 在 Python 3.12 上均无可用轮子。

→ 最终判定：Wav2Lip 的 requirements.txt 在 2026 年的 Ubuntu + sm_120 上属于"不可复现文档"。它无法按官方方式部署，只能把 wav2lip.pth 权重 + 推理逻辑搬到现代 torch 上重写（社区各种 fork 与 ComfyUI 节点本质都是这么做的）。这与 README 自述的 Python 3.6 前提互相印证，也解释了为何其 Issue 追踪器自 2024 年初起就无人处理环境类问题。

5.4 LatentSync 换 torch 时需连带处理的 5 个脆点

唯一的硬门槛是 torch 2.5.1 → ≥2.7(+cu128)，但换版本号会牵动一串 2025 年上半年的旧 pin：

  1. cuDNN 大版本：不冲突（好消息）。ORT 文档逐字："PyTorch 2.3 uses cuDNN 8.x, while PyTorch 2.4 or later uses cuDNN 9.x" → 2.5.1 与 2.7 同为 cuDNN 9.x，这一项不需要额外折腾。
  2. decord==0.6.0：视频解码轮子，长期只发布到 cp310/cp311 附近，新 Python 上常无轮子 → 这类项目的经典断点。
  3. insightface==0.7.3：需现场 C++ 编译（人脸检测依赖），是环境搭建的常见失败点。
  4. DeepCache==0.1.1 + diffusers==0.32.2：DeepCache 是推理加速补丁，与新版 diffusers 的组合从未被作者验证（作者 2025-06-20 后停更）。
  5. onnxruntime-gpu==1.21.0：与你的 CUDA 13.2 宿主最容易打架，单独见 5.5。

✅ 一个重要的好消息：LatentSync 的 requirements.txt 没有 xformers，也没有 flash-attn → 不需要为 sm_120 现场编译 flash-attn / triton 内核。中文资料里常见的那类报错（如 cnblogs 记录的 "nvcc fatal : Unsupported gpu architecture 'compute_120'"）在 LatentSync 的原生路径上不会出现，只在你想额外加装 flash-attn 时才会撞上。若走 Triton 路线，PyTorch 2.7 已内置 Triton 3.3，官方称其 "adds support for the Blackwell architecture with torch.compile compatibility"。

5.5 onnxruntime-gpu==1.21.0 与 CUDA 13.2 宿主的冲突（本轮新查）

【官方，ONNX Runtime CUDA EP 文档逐字】（onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider，正文已抓取）：

→ onnxruntime-gpu==1.21.0 是 CUDA 12.8 + cuDNN 9.x 构建，而你的宿主是 CUDA 13.2（跨大版本）。按 NVIDIA Minor Version Compatibility，12.8 构建只保证与 12.x 兼容。 → 【推断，风险项】两条路：① 额外提供 CUDA 12 运行库（如 pip 的 nvidia-cuda-runtime-cu12 / nvidia-cudnn-cu12），否则可能缺 libcudart.so.12；② 把 ORT 升到 ≥1.27（cu13.0 构建）以匹配宿主 —— 但后者已脱离 LatentSync 的 pin，必须重测。 → Blackwell 专门适配：搜索索引显示 microsoft/onnxruntime 有一个 PR #23928 "Extend CMAKE_CUDA_FLAGS with all Blackwell compute capacity"（标题逐字），说明 ORT 曾专门为 Blackwell 补齐 CUDA arch 编译标志。⚠️ 该 PR 进入哪个发布版本我未能核实（PR 页本轮网络不可达），标注为未核实；实务上 cu12.8 构建通常可借 PTX JIT 在 sm_120 上跑通，但需实测确认。

5.6 汇总：三条路线在 RTX 5060 Ti 16GB 上的 sm_120 工作量

仓库16GB 上能否跑改动量主要拦路虎
LatentSync✅ 实测可行（峰值 15807MB 压线 / TensorRT 后 12551MB）中：换 torch≥2.7+cu128，处理 decord / ORT / DeepCache无 flash-attn 坑是最大优势；ORT 与 CUDA 13.2 需调和
Duix.Avatar❌ 目前不可行（#624 已实测同型失败）无法自行解决（内核编译在官方镜像里）官方 #624 零响应；仅 5090 专用镜像，未验证 5060 Ti
Wav2Lip⚠️ 理论上限低但无法按官方方式部署大：2019 依赖整套作废，须重写推理脚本torch==1.1.0 无 cp38+ 轮子；且严格禁止商用

一句话：三个项目的 pin 无一为 sm_120 准备。LatentSync 只差一个 torch 升级（且没有 flash-attn 这个天坑），是三者中唯一在 16GB Blackwell 上被实测跑通的；Duix 卡在官方镜像、用户无力自救；Wav2Lip 的依赖本身就是 2019 年化石。

来源清单

Duix 系

  1. https://github.com/duixcom/Duix-Avatar — 主仓（原 Duix.Heygem），README 硬件/语言/许可/API 口径
  2. https://github.com/duixcom/Duix-Avatar/releases — v1.0.5 / v1.0.6 改名说明
  3. https://github.com/duixcom/Duix-Avatar/issues/624 — RTX 5070 Blackwell no kernel image is available（2026-09-04 开，Open 零回复）
  4. https://github.com/duixcom/Duix-Avatar/issues/325 — "6G VRAM can't run with lite version"
  5. https://github.com/duixcom/Duix-Avatar/issues/251 — 4×24G 显卡推理慢
  6. https://raw.githubusercontent.com/duixcom/Duix-Avatar/main/deploy/docker-compose-linux.yml — 三服务定义
  7. https://raw.githubusercontent.com/duixcom/Duix-Avatar/main/deploy/docker-compose-5090.yml — 50 系专用镜像
  8. https://deepwiki.com/duixcom/Duix-Avatar/6.3-hardware-and-performance-tuning — 硬件/显存表（AI 生成 Wiki，含 5090 = CC 9.0 错误，仅供参照）
  9. https://github.com/duixcom/Duix-Mobile — 移动端实时 SDK（120ms / <1.5s / 流式 barge-in）
  10. https://github.com/duixcom/duix-skills — 2026-07-14 新建的云端 API skill（非本地后继者）
  11. https://ungh.cc/repos/duixcom/Duix-Avatar — stars/日期（2026-09-22 读取）
  12. https://ungh.cc/repos/duixcom/Duix-Mobile 、 https://ungh.cc/repos/duixcom/duix-skills — 同上

Wav2Lip

  1. https://github.com/Rudrabha/Wav2Lip — README（商业导流、语言、许可、Python 3.6）
  2. https://github.com/Rudrabha/Wav2Lip/issues/584 — 10s/1min 耗时提问（2023-11-10，Open 无答）
  3. https://github.com/Rudrabha/Wav2Lip/issues?q=is%3Aissue+VRAM — Issue 追踪器活动停滞证据
  4. https://ungh.cc/repos/Rudrabha/Wav2Lip — stars / 最后 push 2025-06-22

LatentSync

  1. https://github.com/bytedance/LatentSync — README（1.5=8GB / 1.6=18GB、训练档、中文优化、面部仿射管线、版本更新日志）
  2. https://raw.githubusercontent.com/bytedance/LatentSync/main/requirements.txt — torch==2.5.1 + cu121（无 xformers/flash-attn）
  3. https://github.com/bytedance/LatentSync/issues/365 — RTX 5070 Ti 16GB 实测：397.512s/15807MB、268.160s/12551MB（2026-07-03）
  4. https://github.com/bytedance/LatentSync/issues/335 — "因為顯存不夠，只有16GB"
  5. https://github.com/bytedance/LatentSync/issues/314 — "8G显存运行不了1.5"
  6. https://github.com/bytedance/LatentSync/issues/284 — "v1.6 是否可以在8G vRam 运行？"
  7. https://github.com/bytedance/LatentSync/issues/137 — 4.17it/s、GPU 利用率 1%-3%、6GB/16GB
  8. https://github.com/bytedance/LatentSync/issues/270 — "No available kernel. Aborting execution."
  9. https://github.com/bytedance/LatentSync/issues/326 — 长视频推理
  10. https://huggingface.co/ByteDance/LatentSync-1.6 — 1.6 权重（最新版本）
  11. https://github.com/ShmuelRonen/ComfyUI-LatentSyncWrapper — 第三方封装（~5GB unet / ~1.6GB syncnet / "20GB VRAM" 表述）
  12. https://ungh.cc/repos/bytedance/LatentSync — stars / 最后 push 2025-06-20

依赖 pin / sm_120 / 许可 专项（本轮补查）

  1. https://raw.githubusercontent.com/Rudrabha/Wav2Lip/master/requirements.txt — 逐字 torch==1.1.0 / torchvision==0.3.0 / numba==0.48 / numpy==1.17.1 / librosa==0.7.0
  2. https://pypi.org/pypi/torch/1.1.0/json — torch 1.1.0 全部 9 个 wheel，上传 2019-04-30，仅 cp27/cp35/cp36/cp37
  3. https://pypi.org/pypi/torchvision/0.3.0/json 、 https://pypi.org/pypi/numba/0.48/json 、 https://pypi.org/pypi/numpy/1.17.1/json — 同批 2019–2020 上传时间
  4. https://raw.githubusercontent.com/duixcom/Duix-Avatar/main/LICENSE — DUIX.COM COMMUNITY LICENSE AGREEMENT 正文；第 2 条 MAU > 1 thousand 门槛；第 1.b.i / 5.c / 5.b 条附加义务
  5. https://raw.githubusercontent.com/bytedance/LatentSync/main/LICENSE — Apache License Version 2.0 正文（已核实）
  6. https://pytorch.org/blog/pytorch-2.7/ — "PyTorch 2.7 introduces support for NVIDIA's new Blackwell GPU architecture and ships pre-built wheels for CUDA 12.8"；"[Prototype] NVIDIA Blackwell Architecture Support"；Triton 3.3
  7. https://github.com/Comfy-Org/ComfyUI/issues/7127 — UserWarning 逐字含 cu121 的 arch 列表 sm_50 ... sm_90（无 sm_120）（索引标题级证据）
  8. https://github.com/pytorch/pytorch/issues/166794 — "[Bug] RTX 5070 Ti (sm_120) not recognized by PyTorch 2.5.1+cu121"（索引标题级证据，与 LatentSync pin 同型）
  9. https://github.com/HybridRobotics/Berkeley-Humanoid-Lite/issues/49 — "RTX 5090 (SM_120) fails with default torch/cu121: no kernel image is available"（索引标题级证据）
  10. https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider — ORT 1.21.x–1.26.x = CUDA 12.8 + cuDNN 9.x；1.27 起默认 CUDA 13.0；12.8 构建仅保证与 CUDA 12.x 兼容
  11. https://github.com/microsoft/onnxruntime/pull/23928 — "Extend CMAKE_CUDA_FLAGS with all Blackwell compute capacity"（索引标题级证据；所入版本未核实）

未查到 / 未能核实的项（诚实标注）

下载此文件