【作者自述】＝仓库 README / Release 官方口径；【第三方实测】＝Issue / 博客 / Wiki 中他人给出的数字；【推断】＝基于文件与文档的合理推导，非直接证据；未查到＝未能验证，不编造。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。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。| 项目 | 结果 | 证据 |
|---|---|---|
duixcom/Duix.Heygem | 301 跳转到 duixcom/Duix-Avatar | curl -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 / Forks | 15547 / 2642 | ungh.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 |
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 | 15547 | 2026-04-21 | 本组主目标的正身 |
duixcom/Duix.Mobile（原 Duix.mobile） | ✅ 存在、2026 活跃 | 8252 | 2026-08-05 | 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 | 4 | 2026-08-12 | 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：
duixcom/duix-skills（2026-07-14 新建）不构成本地部署的后继者：它是一套给 AI agent 用的云端 API skill，需要 DUIX_APP_ID/DUIX_APP_KEY/DUIX_API_KEY 凭据，走订阅套餐 + 预付费积分计费，产出是 conversation_url 网页链接或云端生成的 MP4；其 README 明确写 "Prepaid credits (consumed by task video duration)"、"[Production time] About 20 minutes to 2 hours"。→ 它把 Duix 的 lip-sync 能力 SaaS 化了，与"本地 16GB 显卡部署"是两条路。（证据：duix-skills README）CPU: 13th Gen Intel Core i5-13400F / Memory: 32GB / Graphics Card: RTX 4070，硬盘 C 盘 >100GB、D 盘 >30GB；服务器部署要下载 约 70GB 流量。（README）GPU | NVIDIA RTX 4070 (8GB VRAM) | NVIDIA RTX 4090 / RTX 5090 (16GB+ VRAM)（Minimum → Recommended），并给出调优表：8GB → max_split_size_mb 256/512、12-16GB → 512 (default)、24GB+ → 1024。 ⚠️ 该页有硬错误需警惕：它把 RTX 5090 的 "CUDA Compute" 标为 9.0（5090 实为 sm_120），说明此页为 AI 自动生成、未经人工校对；其数字仅可作参考。链接：deepwiki.com/duixcom/Duix-Avatar/6.3-hardware-and-performance-tuningguiji2025/duix.avatar），仓库不发布独立 .pt/.safetensors，故无 fp16 权重体积数字可引用。Docker Hub 我尝试拉取 tag 体积，多次超时未成功（hub.docker.com 在本机网络下不可达）。Duix.Mobile 的时延数字不能用于 Duix.Avatar —— Mobile README 写 "AI avatar response latency under 120ms (tested on Snapdragon® 8 Gen 2 SoC)"，那是手机 SoC 上的端侧渲染，与 GPU 服务的视频合成是两套东西。（Duix-Mobile README）http://127.0.0.1:8383/easy/submit，进度查询 http://127.0.0.1:8383/easy/query?code=${taskCode}（GET 轮询）；TTS 接口参数里甚至有 "streaming": false, // Fixed parameter 这一固定值。→ 非流式、不可打断。（README）~/duix_avatar_data/face2face:/code/data，即在源视频上重绘人脸区域。据此推断输出构图继承源视频，源视频是半身/全身就得到半身/全身；但这属于推断，非文档明示，我未查到官方对"半身/全身"的明确能力声明。证据：deploy/docker-compose-linux.ymlIssue #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 deviceRoot 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。
deploy/docker-compose-5090.yml（HTTP 200，1064 字节），镜像换成了 guiji2025/duix.avatar-5090 与 guiji2025/fish-speech-5090，仍保留 PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:512 与 shm_size: '8g'。 → 【推断】50 系走单独镜像这条路径"理论上"是给 Blackwell 的，但官方只声明在 5090 上验证过；在 5060 Ti 上是否可用未查到任何证据，且 #624 的存在说明普通镜像确实没有 sm_120 内核。这是 16GB 选型里最大的未知风险点。 （证据：docker-compose-5090.yml）三个服务（docker-compose-linux.yml）：
| 服务 | 镜像 | 端口 | 关键配置 |
|---|---|---|---|
| duix-avatar-tts | guiji2025/fish-speech-ziming | 18180:8080 | runtime: nvidia，NVIDIA_VISIBLE_DEVICES=0 |
| duix-avatar-asr | guiji2025/fun-asr | 10095:10095 | runtime: nvidia，privileged: true |
| duix-avatar-gen-video | guiji2025/duix.avatar | 8383:8383 | runtime: nvidia，privileged: true，shm_size: '8g'，PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:512 |
坑点：
runtime: nvidia，其中两个 privileged: true → 与宿主驱动强耦合；README 明确 NVIDIA 显卡与驱动是硬性前提，且 FAQ 原文 "All computing power of this project is local. The three services won't start without an NVIDIA graphics card or proper drivers."sudo nvidia-ctk runtime configure --runtime=docker（README 给了完整步骤）；没有 CPU 回退路径（DeepWiki："The system has no CPU-only fallback; an NVIDIA GPU is mandatory for all deployment modes."）shm_size: '8g' 是硬需求：DeepWiki 把 "Bus Error (Core Dumped)" 归因于 "Insufficient shared memory → Increase shm_size to 12g or 16g"；1080p/60s 就建议 8GB，4K 建议 12GB+。LICENSE），上句为 README 自述口径。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。| 项目 | 数值 | 证据 |
|---|---|---|
| Stars / Forks | 13219 / 2849 | ungh.cc/repos/Rudrabha/Wav2Lip |
| 创建 | 2020-08-07 | 同上 |
| 最后 push | 2025-06-22 | 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, 2023 | issues 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：
rudrabha@synclabs.so / prajwal@synclabs.so 与 https://synclabs.so/）。Python 3.6、ffmpeg。（README）Wav2Lip 与 Wav2Lip + GAN 两个 checkpoint），仓库内不发布文件；我尝试检索 CSDN/Reddit 的实测数字，未获得可引用的具体数值，故不编造。可确认的只有量级判断：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"。
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）
--pads 调下巴、--resize_factor 降分辨率），身体/姿态完全不动。→ 能"保留"半身/全身构图，但不具备身体动作生成能力。手部/身体穿帮是该类方法的通病（README 的 Tips 里已在教用户用 --nosmooth 处理"two mouths"等伪影）。Python 3.6）→ 这是 2020 年环境，在 Ubuntu 24.04 + CUDA 13.2 上基本无法照原样复现，需自行升级并重测。pip install -r requirements.txt，无 torch/CUDA 版本 pin；因此 sm_120 兼容性完全取决于你自己装的 torch（【推断】需 torch ≥ 2.7 + cu128 才有 sm_120 内核 —— 与 Duix #624 里"PyTorch 2.7+ added Blackwell support"的说法一致）。face_detection/detection/sfd/s3fd.pth，来源是 adrianbulat.com（README 自己提供了备用 SharePoint 链接，说明主链常挂）；模型权重走 Google Drive。| 项目 | 数值 | 证据 |
|---|---|---|
| Stars / Forks | 6090 / 981 | ungh.cc/repos/bytedance/LatentSync；GitHub Issues 页 aria-label 亦为 "6090 users starred this repository" |
| 创建 / 最后 push | 2024-12-11 / 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）。
【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
→ 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.
| Backend | Wall seconds | Sec/output second | Change vs exact20 | Peak total VRAM |
|---|---|---|---|---|
| exact20 PyTorch eager | 397.512 | 41.065 | baseline | 15807 MB |
| optimized20 TensorRT-RTX exact | 268.160 | 27.702 | 32.54% faster | 12551 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）：
inference_steps [20-50]、guidance_scale [1.0-3.0] 两个可调项（步数越高越慢）。optimized20 779.70s、optimized12 609.50s、optimized8 502.50s、optimized4 384.70s；作者自己警告 "optimized4 was visually plausible in this test but showed the largest objective drift, so I would not present it as equivalent quality"（降步数是"近似"模式，质量会漂）。Engine cosine vs PyTorch 0.9999949036、Full-frame SSIM mean 0.981501、SyncNet confidence 8.344（baseline 8.578）。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。
🔴 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）：
onnxruntime-gpu==1.21.0：需要与 CUDA 版本匹配的 ORT 构建；这类 pin 在 CUDA 13.x 宿主上常需换轮子。insightface==0.7.3 + face-alignment==1.4.1：人脸检测依赖，要现场编译（insightface 需 C++ 工具链），是环境搭建的常见失败点。numpy==1.26.4 + gradio==5.24.0 + mediapipe==0.10.11：整体是 2025 年上半年的老矩阵，与 torch≥2.7 的组合未被作者验证过（作者 2025-06-20 后就停更了）。DeepCache==0.1.1：推理加速用，可能与新版 diffusers 冲突（diffusers 被 pin 在 0.32.2）。setup_env.sh：README 要求 source setup_env.sh 来装依赖+下权重，但我抓取该文件返回空（未核实其内容） —— 不排除 404 或抓取失败，此项标注为未核实。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"。
| 维度 | Duix.Avatar（原 Duix.Heygem） | Wav2Lip | LatentSync |
|---|---|---|---|
| 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） |
| Stars | 15547 | 13219 | 6090 |
| 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） | ⚪ 取决于自装 torch（无 pin） | 🟡 需自行把 cu121→cu128+（无 xformers/flash-attn，省一大坑） |
| 商用许可 | ✅ 免费商用（>10万用户或>1000万美元营收需签约） | ❌ 严格禁止商用 | 未核实（论文/ByteDance 开源，未逐字核实 LICENSE） |
| 部署形态 | Docker 三容器 + 客户端 App | 裸 Python 脚本 | 裸 Python 脚本 |
Duix 系
no kernel image is available（2026-09-04 开，Open 零回复）Wav2Lip
LatentSync
未查到 / 未能核实的项（诚实标注）
hub.docker.com 本机多次超时） —— 未查到duixcom org 完整仓库列表 —— 官方 API 限流（core remaining=0，reset 13:52），改用 ungh 逐仓探测，可能遗漏 org 下其他未探测的仓