需求：离线口播成片（一张图/一段视频 + 人声音频 → 口型同步视频），必须本机跑、不用云端 API。硬件 = GPU 机 192.168.31.31 单卡 RTX 5060 Ti 16GB（sm120）+ 32GB 内存 + ComfyUI（2026-09-20 版本）+ 磁盘剩 138 GiB。
版本说明：v2（2026-09-22 下午修订）。v1 曾把
Wan2.2-S2V-14B排为首选；后台深度调研拿到 2026-08 第三方六模型同条件横评（Tight Studio，Modal 固定 commit 部署、同一头像 + 同一段 3.63 秒音频）后，排序被修正——原因见第二节。本文所有关键数字都标了来源等级：🟢 第三方实测 / 🟡 厂商宣称 / 🔴 未查到。
| A 类：音频驱动（给现成录音对口型） | B 类：联合音视频生成（自己生成语音） | |
|---|---|---|
| 输入 | 图/视频 + 你提供的音频 | 文本（+ 可选参考图） |
| 对你 | ✅ 正是你要的 | ❌ 不能给现成录音对口型 |
| 代表 | FlashHead、EchoMimicV3、LongCat 1.5、Wan2.2-S2V、InfiniteTalk、MuseTalk、LiveAvatar | daVinci-MagiHuman、LTX-2.5 / JoyAI-Echo echoVid |
路径 B-1：一段已有视频，只想换成另一段录音的嘴型 → MuseTalk 1.5
路径 B-2：一张图 + 录音，全新生成口播视频 → 按下面的三步走
| 顺序 | 模型 | 为什么是它 | 显存（可跑档） | 10 秒成片耗时 | 代价 |
|---|---|---|---|---|---|
| ① 首选（但必须先验证 sm120） | EchoMimicV3-Flash-pro 1.3B（蚂蚁，Apache-2.0） | 中文最强：原生 chinese-wav2vec2；官方测试 GPU 列表含 V100 16G；官方 README 明确写「12G VRAM Requirement」（官方量化版 app_mm.py 最低 12 GB）；768×512 开 block_offload 仅 6.5 GB（支持到 768×768、8 步、无需 face mask）；ComfyUI 节点给 16G 档参数 partial_video_length=97 | 6.5 GB（768×512 + block_offload） | 🟢 10 秒约 14 分钟（官方口径：5 秒 7 分钟） | 🔴🔴 最大未知数：issue #62 —— RTX 5090 32GB 用官方量化版也跑不通（2025-12-31，0 回复，疑似 sm120） → 必须先小规模验证再谈批量；默认配置实测 33.7 GB 不调参必 OOM；非流式（partial_video_length 分段）；画面运动幅度小 |
| ② 保底 | SoulX-FlashHead 1.3B Lite（Soul App，Apache-2.0） | 唯一被两组独立第三方验证 <16GB 的全功能音频驱动模型；ComfyUI 原生节点；无限时长流式分块 | 🟢 峰值 5.76 GB（权重全 F32，转 fp16 可降到 ~3 GB） | 🟢 约 1~2 分钟（热启动 0.19 s/块） | 🔴 画质最弱（两组实测均称「不真实」）；仅 512×512 |
| ③ 已有视频换嘴型 | MuseTalk 1.5（腾讯音乐） | 官方 4GB 卡可跑 fp16；中英日明确；代码 MIT + 模型可商用 | ≤8 GB（5060 Ti 实测 ~3.6 GB） | ⚠️ 别按「官方实时」理解：LiveTalking 封装的 3080Ti 42 FPS 是外层功劳；官方实现直跑 5060 Ti 实测仅 ≈5.8 FPS（issue #409，361 帧验证），且官方成员确认不支持音频流式（issue #33） | 🔴 静音测试 0.68 全场最低（不给音频也动嘴）；256×256 需外挂 GFPGAN |
| ⚠️ 中期（长视频/多人才考虑） | LongCat 1.5（MIT）／InfiniteTalk（Apache-2.0） | LongCat：原生多人 + 长视频续写 + 中文口型；InfiniteTalk：ComfyUI 已有官方核心节点，已在 RTX 5060 16GB 上跑通（需升到 torch 2.9.1+cu130） | LongCat INT8 15.89 GB 或 GGUF Q4 12.07 GB + block_num=1；InfiniteTalk GGUF Q4 底座 11.34 GB + patch 1.4 GB + block swap 30~40 | 🟡 30 分钟 ~ 2 小时（RTX 5080 16G 实测 640×640 5 秒 = 1300 秒） | 🔴 16GB 是 Wan 系 14B 的最低门槛（4070 Super 12GB 直接 OOM），本机卡在门槛上、没有余量同时加载两个模型；LongCat 仅 480p、表情缺陷未修；InfiniteTalk 3 分钟视频吃 >120 GB 内存（本机 32GB）→ 必须切 ≤20 秒分段 |
本机算力标尺（唯一有逐秒实测的模型）：Wan2.2-Animate-2 的 distill int8_convrot 部分卸载 ≈ 7.3 GB 显存 / 8.6 GB 内存，49 帧 @480×854 = 126.8 秒（10 步）——但它不吃音频（要驱动视频），只能当"这张卡跑 14B 级视频有多慢"的参照。另注意坑：WanAnimate2Cache 设 device=gpu + dtype=int8 再配 MultiGPU patch 会静默杀进程，必须 device=cpu + dtype=default。
Wan2.2-S2V-14B 的角色降级但不淘汰：
wav2vec2-large-xlsr-53-english）。中文口型优先级：LongCat 1.5（Whisper-large-v3，原生中英） ≈ EchoMimicV3 v1.5（专门改善中文） > MuseTalk（中英日明确） > Wan2.2-S2V（英文编码器，中文未验证）。
第三方横评（🟢 Tight Studio，2026-08-23）同一条件实测：
| 模型 | 峰值 VRAM | 3.63 秒音频耗时 | 输出规格 |
|---|---|---|---|
| LiveAvatar（阿里） | 61,401 MiB | 181.44 s（最快） | 384×704 @25fps |
| Wan2.2-S2V-14B | 58,681 MiB | 780.29 s（最慢） | 512×896 @16fps |
| SoulX-FlashTalk-14B | 57,805 MiB | 331.93 s | 416×720 @25fps |
| LongCat-Video-Avatar 1.5 | 46,827 MiB | 233.08 s | 480×832 @25fps |
| EchoMimicV3-Flash | 33,726 MiB | 251.94 s | 480×848 @25fps |
| SoulX-FlashHead Lite | 5,763 MiB | 235.31 s（首块 155.7 s 为编译，之后 0.19 s/块） | 512×512 @25fps |
横评原文：「16 GB 以下：SoulX-FlashHead Lite 是经过验证的唯一一款完全适配的全功能生成器。」
画质的主观排序则是：LiveAvatar（最清晰）> EchoMimicV3-Flash（最佳平衡）> LongCat 1.5（最有表现力）> FlashHead（最不逼真）。 → 能跑的画质弱，画质好的跑不动。这就是 16GB 的现实，任何「一张图出电影级数字人」的说法在这张卡上都不成立。
来源：HF 模型卡 + 社区 GGUF 实测体积（2026-09-22）。
| 项目 | 事实 |
|---|---|
| 许可证 | Apache-2.0（可商用） |
| 架构 | 14B 单体（不是 T2V/I2V 的 27B MoE 双专家） |
| 官方单卡门槛 | generate.py 注释 ≥80GB VRAM，第三方 H200 实测峰值 58.7 GB |
GGUF 档（calcuis/wan-s2v-gguf，含完整工作流 JSON） | Q8_0 18.27 / Q6_K 15.10 / Q4_K_M 12.91 / IQ4_XS 11.32 / Q2_K 8.86 GiB |
| 配套 | 文本编码器三选一（cow-umt5xxl Q2_K 3.67 GiB 等）、wav2vec2...f16.gguf 0.59 GiB、VAE 0.254 GiB |
| 本机状态 | ComfyUI 2026-09-20 + ComfyUI-GGUF 已装；models/audio_encoders/ 为空，需补 |
| 长视频 | 官方工作流 Video S2V Extend 每片 77 帧 ≈ 4.81 秒 @16fps，按 音频秒数 × 16 ÷ 77 算节点数 |
| 生态升级件 | Live Avatar（阿里 Quark+中科大，ECCV 2026 Spotlight，Apache-2.0）只是它上面的 1.26 GiB LoRA（4 步、无限长、20FPS@5×H800）；官方单卡离线推理尚未发布，可试挂 LoRA，属实验性 |
| InfiniteTalk（给已有视频配音、无限时长） | ComfyUI 适配权重仅 2.53 GiB（需 Wan2.1-14B 底模）；但 kijai wrapper 有专门针对 RTX 5060 的求助 issue #1875、以及 #1185「渲染极慢」；官方自曝 I2V 超过 1 分钟色彩偏移明显 |
| ⚠️ LTX-2.5（本机已有权重+audio VAE） | 属 B 类（模型自生成语音），不接受你提供的录音；社区有 lipsync 条件化工作流但未验证能稳定吃外部音频 → 先别指望它当主力，只适合「文本→数字人自说自话」 |
中文文案 →(本地 TTS)→ 人声 WAV（mono / 44.1~48kHz / 干净无 BGM）
→(可选：人声分离去 BGM)→(A 类模型对口型)→ 口型视频
→(可选：VideoHelperSuite 拼接 / RTX VSR 放大 / FaceRefine 修脸)→ 落盘 + 归档相册| 模型 | 许可证 | 语言 | 关键实测 | 定位 |
|---|---|---|---|---|
| GPT-SoVITS v2ProPlus | MIT（无附加条件） | 中文 | README 明确列出测试通过环境含 PyTorch 2.7.0/CUDA 12.8、2.8.0dev/CUDA 12.8；RTF 0.028 @4060 Ti → 10 秒音频 ≈0.28 秒（全表最快） | ✅ 离线链路首选（Phase 1）——sm_120 最友好、速度压倒性；坑：无情感控制、🟡 无第三方中文 CER/SIM 数据 |
| IndexTTS-2.5（2026-08-10 新版） | bilibili 自定义协议，免版税、普通规模免费商用（仅 >1 亿 MAU 或 >10 亿 RMB 年收入需单独授权） | zh / en | 8 维情感向量（同级唯一）、小数读法 100%（唯一满分） | Phase 2 上情感；⚠️ 速度争议极大（官方 RTF 0.2065@4090 vs 5060 Ti 实测 2.92）+ issue #295 GPU 检测失败（与 Blackwell 相关） |
Qwen3-TTS（0.6B-CustomVoice / 1.7B-Base） | Apache-2.0（repo 13k⭐） | 中文母语级 | 388 万下载、两套 ComfyUI 节点；第三方 VoicePing 称 "the strongest balanced model in this benchmark"；官方首包 97 ms、本次唯一「sm_120 零 issue」的 TTS | Phase 3 追质量；⚠️ 中文长数字串 30/30 全失败（0%）、必须锁 transformers==4.57.3 |
| LongCat-AudioDiT（美团） | MIT | 中文 | 中文相似度全场最高（SIM 81.8 / CER 1.09），非流式——离线口播不吃亏 | 追中文相似度可选；⚠️ 待验：3.83B F32 ≈ 15 GB+ 能否进 16GB |
| VoxCPM2（面壁+清华，2B） | Apache-2.0 | 中文 | 中文 CER 4.4% 全表最低 | 追字准可选 |
| Fun-CosyVoice3-0.5B-2512 | Apache-2.0（代码+权重） | 11 语 + 18 种中文方言 | 中文相似度 CV3-Eval 80.01 最高 | ⚠️ 降为「备选，须先验证能否启动」：issue #1318「5060ti 16g 运行 CosyVoice2 无法启动」 + #1815 sm_120 兼容 |
🔴🔴 最容易被忽略、后果最严重的一条通用规则：没有任何中文 TTS 能可靠读长数字串。 实测：Qwen3-TTS 标识符 0%、IndexTTS-2.5 40%、CosyVoice3 标识符 90% 但货币项仅 46.7%，且错误多是把金额本身改掉。→ 必须在 pipeline 预处理里把「数字 / 金额 / 编号 / 日期」展开成汉字（这一步做不做，决定口播成品是否可信），展开后再送 TTS。
TTS 落地顺序（写进 §4.6）：Phase 1 GPT-SoVITS 跑通链路 → Phase 2 IndexTTS-2.5 上情感 → Phase 3 Qwen3-TTS / VoxCPM2 追质量。全程：参考音频 ≤3.5 秒、不开 sage_attn、torch 用 cu128+、与数字人模型串行执行（别同时驻留）。
⚠️ 许可红线（先前的说法要更正）：IndexTTS 不是 Apache-2.0，是 bilibili 自定义协议（普通规模可商用）；F5-TTS 权重 CC-BY-NC、Spark-TTS 权重 CC-BY-NC-SA（GitHub 写 Apache，自相矛盾）、Fish-Speech 商用需单独授权、ChatTTS 是 AGPL+CC-BY-NC 且官方故意加噪降质、Higgs Audio v3 非商用、VibeVoice 已被微软下架 → 全部出局。教训：不要信 HF 镜像卡的 license 字段，要读仓库 LICENSE 原文。 ⚠️ 指标口径警告（4 个实例）：Qwen3-TTS 自报 0.77 vs 第三方 1.22~1.33（1.6×）；Fish S2 Pro 0.54 vs 3.62（6.7×）；OmniVoice 0.84 vs 3.41（4×）；GPT-SoVITS 1.6 vs 7.34（4.6×）。→ 引用必须带榜单名，最终用 seed-tts-eval 自测。
音频预处理是第一杀手：先做人声分离（干净人声轨的唇形质量远好于混 BGM）；mono + 44.1/48 kHz；FlashHead 官方要求参考图正脸、居中、上半身，音频最好 16 kHz。 本机现成后处理：Nvidia_RTX_Nodes_ComfyUI（RTX VSR）、ComfyUI-H3-FaceRefine、comfyui-VideoHelperSuite。
| 方案 | 淘汰原因 |
|---|---|
| LiveAvatar / SoulX-FlashTalk-14B / Wan2.2-Animate-14B | 单卡需求 61~64 GB（Animate INT8 17.15 GiB 已超 16GB）；LiveAvatar 单卡离线推理未发布 |
| FantasyTalking | 有直接的 16GB 失败证据：RTX 5070 Ti 16GB 明确失败（issue 标题就是 "Doesn't work with 16GB VRAM"）、RTX 5090 32GB 最小设置 OOM；官方明说必须装 flash_attn 否则结果错误（sm120 大坑）；A800 40G 上 30 秒视频=1 小时、1 分钟音频>19 小时；官方最低档 20 GB / 32.8 秒每迭代；第三方论文实测唇形同步指标最差（Sync-C 1.11 vs 其他 4~6） |
| HunyuanVideo-Avatar | 从「能跑」下调为「本机偏不可行」：所有成功案例都带 96 / 97 / 192 GB 系统内存（int8 权重会被 pin 进内存约 12.8 GB，本机只有 32GB）；V100 32GB + 64GB RAM 在 Wan2GP 里仍 OOM；官方 ComfyUI 支持一年多未落地（Open-source Plan 未打勾）；社区节点门槛写 >24G；许可证非标准 OSI |
| daVinci-MagiHuman / LTX-2.5 echoVid | B 类：自己生成语音，不接受外部录音；社区 fp8 分支作者自述「跑不起来、EXPERIMENTAL」 |
| Sonic | CC BY-NC-SA 4.0 不可商用（官方要求商用走腾讯云）；仅测于 32G 单卡 |
| OmniAvatar-14B | HF 仓库只剩 1.15 GiB 的 pytorch_model.pt，权重不完整；且官方称需 64GB 内存 |
| HunyuanPortrait | 根本不是音频驱动——它是「参考图 + 驱动视频」驱动，与口播需求不匹配 |
| MoCha（Meta） | Meta 版从未开源，无权重可用 |
| Bernini-R-S2V | 作者自己写明「不是 SOTA audio-to-video」；双专家 int8 各 17.72 GiB；音频上限 9~15 秒 |
| Chanjing-Avatar（蝉镜） | 2026-08 才放出，仅适配器权重（14B 目录 1.15 GiB，须配 Wan2.1 底座），下载量 16~90，无第三方实测 |
| 3D / 3DGS 数字人 | 开源 3DGS 说话头几乎全非商用（清华许可禁商用、GaussianAvatars/SplattingAvatar 为 CC-BY-NC-SA），且叠了 FLAME/BFM/SMPL 非商用底座；仓库普遍锁 py3.7 + torch1.12 + CUDA11，与 sm_120 不兼容。详见 3D数字人_一体化平台_授权风险.md |
| Wan-Animate-2 / Wan2.2-Animate | 视频驱动（动作迁移），不是音频驱动；且 INT8 15.51 / 17.15 GiB 都很紧 |
3D数字人_一体化平台_授权风险.md）DUIX.COM Community License：LICENSE 原文 MAU>1000 须商业授权，README 却写 10 万，冲突时按 LICENSE 保守评估；另需 "Built with DUIX.COM" 署名。结论先放这：14B 级「实时」数字人全部与 16GB 无缘——SoulX-FlashTalk-14B 单卡 >64GB（
--cpu_offload后 40GB）、LiveAvatar 61.4GB、Wan2.2-S2V 58.7GB、LongCat 1.5 46.8GB，与量化无关，它们依赖多卡序列并行。16GB 上能实时的只有小模型。详见实时交互数字人与TTS调研.md。
| 方案 | 组成 | 显存/延迟 | 坑 |
|---|---|---|---|
| 口径最优先 | LiveTalking + vLLM-Omni(Qwen3-TTS-0.6B) + 本地 9B LLM | wav2lip256 ~200MB（或 musetalk 3.9GB）+ TTS + LLM ≈ 10.5~14 GB；TTS 首包 ~130ms（作者在 3090 实测🟢） | ⚠️ vLLM-Omni 实测 0.6B 竟占 ~13GB → 必须下调 --gpu-memory-utilization（0.35~0.45）；musetalk 必须确认版本含 2026-08-20 PR #612（缺 @torch.no_grad() 的历史 OOM bug，17.62GB → 修复后 3.9GB） |
| 画质优先 | OpenAvatarChat v0.6.0 + SoulX-FlashHead-1.3B + CosyVoice3 | FlashHead Lite 峰值 5,763 MiB、96 FPS🟡、无限时长流式 | 需 flash-attn（sm_120 无预编译 wheel）+ OpenAvatarChat 钉 torch 2.4.1+cu124 |
| 流式 TTS 首选 | Fun-CosyVoice3-0.5B-2512（Apache-2.0 代码+权重） | 官方双向流式（称 150ms），第三方 CV3-Eval 中文相似度 80.01 全表最高 | 备选 IndexTTS-2.5（中文 CER 0.93~1.21%、~6GB）但没有流式；MOSS-TTS-Realtime（Apache-2.0，TTFB 180ms） |
| 可关注 | Ditto-talkinghead（蚂蚁，Apache-2.0，45 FPS 流式，权重 ~2.4GB） | — | 🔴 钉 tensorrt==8.6.1，不支持 sm_120 |
| 非商用可优先试 | NanoAvatar（wpydcr/NanoAvatar，2026-09） | 显存 834 MiB（Lite 700 MiB）、4090 量化版 333 FPS / 首帧 18ms、官方称流式 LLM+TTS 下 ~0.3 秒开始说话；要求 torch==2.10.0+cu128（原生 sm_120）、不依赖 SageAttention/flash-attn → sm_120 风险最低 | ⚠️ 代码 MIT 但口型权重 CC BY-NC 4.0 → 不可商用；仓库很新（15⭐），无第三方复现 |
| 3D 动作路线 | SentiAvatar（2026-04，453⭐，~2.9GB） | 输出 BVH 动作，不碰 diffusers/attention 内核 → sm_120 最安全 | ⚠️ CC BY-NC-SA，不可商用 |
| 许可警告 | OmniVoice 代码 Apache-2.0 但权重 CC-BY-NC（不可商用）；Fish Audio S2 Pro 自研 Research License（企业自用也算商用）；ChatTTS AGPL+CC-BY-NC；Fay 是 GPL-3.0（README 自称「商用免责」不成立）；Linly-Talker 主仓 2026-02 后停更 |
顺带一个离线也能用的优化：SoulX-FlashHead Lite 权重 843 个张量全是 F32（6.107 GB）→ 转 fp16 只剩约 3 GB，16GB 上更宽松。
建议顺序（风险从低到高）
ComfyUI_EchoMimic + 一键脚本（Ubuntu/CUDA 13 版）→ 首选：768×512、开 block_offload（官方口径 6.5 GB）、ComfyUI 节点 16G 档参数 partial_video_length=97。但先做「冒烟测试」：只跑 3~5 秒片段 + 480p（官方口径 5 秒 7 分钟），确认 sm120 上不报 no kernel image / 不崩（issue #62：5090 32GB 用官方量化版都没跑通，本机风险未知）。通过后再放大到 10 秒/768。ComfyUI_RH_FlashHead（Lite 档、512×512、峰值实测 5.76 GB），保底一定跑得起来，代价是画质弱。int8_sharded + block_num + device=cpu offload，走 sdpa；注意 480p/44 秒约要 2 小时）。端到端推荐链路（全程 MIT/Apache-2.0/免费商用，分时复用显存） 文案预处理（数字/金额/编号 → 汉字展开）→ GPT-SoVITS v2ProPlus 配音 → EchoMimicV3-Flash-pro 出片 → 约 14 分钟 / 10 秒成片（其中配音约 0.3 秒、出片约 14 分钟）；长音频一律切成 ≤20 秒分段，出片后拼接。
GPT-SoVITS v2ProPlus（MIT、RTF 0.028 @4060 Ti、README 测试环境含 torch 2.7/2.8+cu128）先跑通链路 → Phase 2 IndexTTS-2.5 加情感 → Phase 3 Qwen3-TTS / VoxCPM2 追质量/字准。Qwen3-TTS 须锁 transformers==4.57.3；Fun-CosyVoice3 有 issue #1318「5060ti 16g 无法启动」→ 只能当备选；LatentSync 官方钉 torch 2.5.1+cu121，在 sm_120 上会 no kernel image → 修嘴这步默认跳过。通用坑
/home/zyw/SageAttention），_fused.so 含 sm_75/80/86/89/90/100/120/120a、_qattn_sm89.so 含 sm_120a——所以问题不是「装不上」，而是「长序列不能用」：上游实测 5060 Ti 上循环 300~630 次（30~65 秒）后 GPU 丢失，另有 _sageattn_int8_fp8_nhd 长序列直接掉驱动的报告——这正好解释本机 H3 的一夜 4 次掉总线。结论：短序列可试，长序列一律 SDPA；SageAttention 3 另有 kijai 亲述的画质劣化。源码编译时必须只写 TORCH_CUDA_ARCH_LIST="12.0"（写成 "9.0;12.0" 会因 wgmma.fence not supported on sm_120 直接失败）。xformers 在 sm120 不可用；FA3 不可能；FA4 不稳。torch 2.11.0+cu130 的 arch list 已含 sm_120，门槛满足。no kernel image is available）——已知名单：Wav2Lip、Ultralight-Digital-Human、MuseTalk 旧档、LatentSync（torch 2.5.1+cu121）、Duix.Avatar 官方镜像；CosyVoice 官方 requirements（torch 2.3.1 只到 sm_90）被 issue #1815 直接点名 RTX 5060 Ti；Duix.Avatar 的 issue #624（2026-09-04，0 回复）在 RTX 5070 上就是这个报错 → 这条链上要用就得自己升 torch 重编。这就是为什么「首选 EchoMimic + CosyVoice3」要先确认版本能跑在 torch≥2.7/cu128 上。tts/base_tts.py：sample_rate=16000、每块 16000//(fps*2)=320 样本 = 20 ms）→ 自定义 TTS 必须输出 16 kHz 单声道 int16 / 20 ms 分块；而 IndexTTS2.5 是 22.05k、OmniVoice/Kokoro/ChatTTS 24k、Fish 44.1k、VoxCPM2/GPT-SoVITS v4 48k，接入前必须重采样。（--tts 合法值含 gpt-sovits/cosyvoice/fishtts/indextts2/qwentts 等 9 个 + omnitts。）bash ~/stop-ridge.sh + lms unload --all。--moe_expert_capacity、--moe_gate_dropout 在 Wan2.2-S2V 中根本不存在（S2V 是单体模型），数据系编造。本目录文件
数字人选型结论-20260922.md（本文，v2 主结论）离线音频驱动数字人模型调研.md（1040 行 / 126 条来源链接，定稿；结构：§0 sm120 总表（含本机 SSH 实拉）→ §1 一分钟结论 → §2 8 模型 16GB 速查总表 → §2.5 16GB 级显卡实测清单 → §3 8 模型逐个深析 → §4 中文 TTS 选型（含 §4.6 落地顺序）→ §5 链路组装与显存排班 → §6 客观质量 → §7 淘汰与未查到）✅实时交互数字人与TTS调研.md（463 行 / 156 表格行；含 5 个 2026 新项目（NanoAvatar / AvatarForcing / SentiAvatar / Realtime-Venus / LingCast 等）、sm_120 根因与 torch 钉版黑名单、LiveTalking 音频接口硬约束、TTS 首选更正为 Qwen3-TTS、MuseTalk/Duix 三处更正）✅3D数字人_一体化平台_授权风险.md（669 行 / 128 条来源 URL / 24 条许可红线）✅本地环境核查-20260922.md（本机硬件/ComfyUI/模型/磁盘实测）_scratch/：调研代理的中间草稿（原始检索记录），非结论，可忽略或删除关键来源
--use_distill）· ComfyUI 节点 · 美团技术博客hf-mirror.com 模型 API 实测数据分级声明：🟢 第三方实测 / 🟡 厂商宣称 / 🔴 未查到。本文所有「实测」均注明来源；厂商宣称一律标注，未与第三方数据混写。