← 返回列表

findings_C3.md

C3 组核实结果：实时数字人（Talking Head）开源项目 × RTX 5060 Ti 16GB (sm_120)

核实日期：2026-09-22。目标硬件：RTX 5060 Ti 16GB / sm_120 Blackwell / 32GB RAM / Ubuntu / 驱动 610.43.02 / CUDA 13.2。 标注约定：【作者声明】= 官方 README/文档原文；【第三方实测】= 他人博客/镜像页/wik 实测或整理；【估算】= 依据官方数据推算；未查到 = 无法核实，未编造。

抓取方法说明：GitHub REST API 在本次会话已被限流（API rate limit exceeded，core remaining=0），故星标/日期改用 GitHub 仓库 HTML（"stargazerCount"）与 commits Atom feed（/commits/<br>.atom）核对，均为 2026-09-22 当日抓取。

1. KwaiVGI/LivePortrait（已改名 KlingAIResearch/LivePortrait）

项值
仓库现状已从 KwaiVGI/LivePortrait 重定向为 KlingAIResearch/LivePortrait（GitHub HTML <meta description>："Contribute to KlingAIResearch/LivePortrait development"）
Stars19,084（2026-09-22 抓取 HTML "stargazerCount":19084）
最后提交2026-06-01T17:24:54Z（/commits/main.atom）→ 约 3.7 个月无提交，处于「稳定/低维护」状态
默认分支main；说明文件是小写 readme.md（README.md 返回 404，抓取时注意）

(c) VRAM 与 16GB 单卡可行性

ModelParameters(M)Model Size(MB)Inference(ms)
Appearance Feature Extractor0.843.30.82
Motion Extractor28.121080.84
Spade Generator55.372127.59
Warping Module45.531745.21
Stitching and Retargeting Modules0.232.30.31

原文小注："The values for the Stitching and Retargeting Modules represent the combined parameter counts and total inference time of three sequential MLP networks." 合计 ≈130.1M 参数 / ≈499.6 MB 权重（作者在表头口径为 RTX 4090 + 原生 PyTorch + torch.compile，单帧）。 → 【估算】fp16 权重 ≈ 0.25–0.5 GB；整流程（特征提取 + 3D 关键点 + SPADE 生成器 + warping + 拼接）在 1024px 级分辨率下的激活显存，官方未给数；保守估计峰值远低于 8GB，16GB 单卡余量充足（此项为估算，非实测）。

(d) 端到端延迟 / FPS

(e) 流式 / 可打断

(f) 中文支持 / 半身-全身

(g) 已知坑（sm_120 / Blackwell / 依赖）

  1. onnxruntime-gpu==1.18.0 硬钉版本 —— liveportrait requirements.txt 原文： 
    -r requirements_base.txt
onnxruntime-gpu==1.18.0
transformers==4.38.0

    1.18.0 为 2024 年构建，不含 sm_120 (Blackwell) CUDA kernel。

  2. sm_120 上 onnxruntime CUDA EP 存在已知 Blackwell 缺陷：microsoft/onnxruntime issue #27621 标题原文 "[CUDA EP] Silent deadlock when calling InferenceSession.run() from Python thread on Blackwell GPU (RTX 5060, sm_120, Windows)" → issue #27621。（该 issue 为 Windows 复现，Linux 未确认，但同为 sm_120 + RTX 5060 平台，属高风险预警。）
  3. 官方 wheel 缺 sm_120，需第三方重建 wheel：Natfii/onnxruntime-gpu-blackwell —— "Pre-built onnxruntime-gpu 1.24.1 with Blackwell sm_120 CUDA kernels (RTX 5090/5080/5070)" → github.com/Natfii/onnxruntime-gpu-blackwell。即：要用 Blackwell 必须离开官方 pinned 的 1.18.0。
  4. torch 安装示例只到 CUDA 12.1（README：cu111 / cu118 / cu121），且原文警告 "On Windows systems, some higher versions of CUDA (such as 12.4, 12.6, etc.) may lead to unknown issues. You may consider downgrading CUDA to version 11.8 for stability." → 对 CUDA 12.8/13.x + Blackwell 官方零说明（2026-09 未验证）。
  5. X-Pose（Animals 模式）需自编译 CUDA 算子："You need to build an OP named MultiScaleDeformableAttention first ... which is used by X-Pose" → sm_120 下需自行 TORCH_CUDA_ARCH_LIST=12.0 编译，Huamns 模式可跳过（README："The step of Check your CUDA versions is optional if you only want to run Humans mode."）。
  6. 无 flash-attn / triton 依赖（依赖树中未出现）→ 少一类坑。

许可证（重点：可商用的边界）

2. HumanAIGC-Engineering/OpenAvatarChat

项值
Stars3,773（2026-09-22 HTML）
最后提交2026-07-31T00:28:29Z（commits/main.atom）→ 活跃
最新版本0.6.0（2026.04）；上一版 0.5.1（2025.08.19）

支持的 Avatar 后端（作者声明，README「核心亮点」逐字）

"多样数字人形象：支持 LiteAvatar、LAM、MuseTalk、FlashHead 等多种数字人技术"

0.6.0 更新原文新增："接入 SoulX-FlashHead 数字人，基于扩散模型的实时流式说话头生成"。 预置配置（README「预置模式」表）：chat_with_lam.yaml=LAM；chat_with_qwen_omni.yaml=lite-avatar；chat_with_openai_compatible_bailian_cosyvoice.yaml=lite-avatar；..._flashhead.yaml / ..._flashhead_duplex.yaml / ..._flashhead_duplex_agent.yaml=FlashHead（含双工）。

(c) VRAM 要求 —— 官方 README 的显存表（引用位置见下）

重要：当前 main 分支的 README.md（2026-09-22 抓取，7581 字节）中已不含显存表；显存表出现在更早的 README 版本中。第三方代码百科 DeepWiki 明确标注其数据源为 README.md 254-345 / readme_en.md 243-332（即带表的那一版），原文表格逐字如下（【第三方整理/官方旧版 README】）：

Configuration FileVRAM RequiredRequires API KeyBest For
chat_with_minicpm.yaml20GB+ (or 10GB with int4)NoFull privacy, powerful GPU
chat_with_lam.yaml2-3GBYes (Bailian)Multi-session, 3D avatar
chat_with_qwen_omni.yaml2-3GBYes (Bailian)Speech-to-speech E2E
chat_with_openai_compatible.yaml8-10GBYes (OpenAI/Bailian)Local TTS, cloud LLM

来源：deepwiki.com/.../2-getting-started

系统要求（同一来源 DeepWiki，标注源自 pyproject.toml 52-65）：

Hardware Requirements — VRAM: minimum 10GB / recommended 20GB+；GPU: "NVIDIA GPU with CUDA support"，推荐 RTX 3090/4090 or better；System RAM 16GB min / 32GB+ rec；CUDA 12.4+；PyTorch 2.4.1 + CUDA 12.4；Python ≥3.11.7, <3.12。

各后端资源画像（DeepWiki「Avatar Systems」）：LiteAvatar = "Server-side / 2D facial animation / Low-Medium (3GB VRAM/session)"；MuseTalk = "Server-side / Video-based deep learning / High (GPU …)"。

16GB 单卡结论（推断）：chat_with_lam.yaml / lite-avatar（2–3GB）与 chat_with_openai_compatible.yaml（8–10GB，本地 TTS + 云端 LLM）→ 16GB 单卡可跑，且余量大；chat_with_minicpm.yaml 全本地（20GB+，int4 后 10GB）→ 16GB 需 int4 量化才可。MuseTalk 后端 DeepWiki 仅标 "High"，未给具体 GB，未查到。

(d) 端到端延迟

(e) 流式 / 可打断 —— 本项目最强项

0.6.0 更新原文："所有数字人均支持手动打断和双工打断模式" → 全后端支持手动打断 + 双工（barge-in）打断。README Beta 区另有 Chat Agent（OpenClaw 集成）多轮工具调用模式（Beta，API 可能变）。

(f) 中文支持 / 半身-全身

(g) 已知坑（sm_120 / Blackwell / 依赖）

  1. 官方文档要求驱动支持的 CUDA ≥ 12.8（快速开始页原文："本项目的运行依赖 CUDA，请确保本机 NVIDIA 驱动程序支持的 CUDA 版本 >= 12.8"）→ 对 Blackwell 是有利项（12.8 起支持 sm_120）；本机 CUDA 13.2 满足。
  2. flash-attn 自动编译：快速开始页原文 "需要编译安装的包（如 flash-attn）会自动使用 --no-build-isolation 并限制并行编译线程数" → sm_120 下 flash-attn 源码编译耗时长/易失败（官方已试图缓解，但仍属坑）。
  3. PyTorch 版本落后：DeepWiki 记录 pyproject.toml 钉 PyTorch 2.4.1 + CUDA 12.4 → 该组合不含 sm_120 kernel，Blackwell 上须自行升级到 cu128/cu130 轮子，会与 install.py 的版本解析产生冲突。
  4. Python 版本窗口窄：≥3.11.7, <3.12。
  5. 依赖用 uv + git lfs 子模块（文档要求 git lfs install 与 git submodule update --init --recursive），模型体积大。
  6. 未查到 any sm_120 专项 issue（GitHub API 限流，未能做 issue 关键词检索）——此点建议后续用 is:issue sm_120 补验。

3. Kedreamix/Linly-Talker

项值
Stars3,453（2026-09-22 HTML）
最后提交2026-02-10T05:17:02Z（commits/main.atom）→ 截至 2026-09-22 已 7 个多月无提交，主仓维护停滞
分仓活跃新增 Linly-Talker-Stream（实时流式版，独立仓库），但主仓自身停更

维护状态（重点结论）

SadTalker / Wav2Lip 是否仍是默认后端（2026）

(c) VRAM：训练 vs 推理

(d) 端到端延迟 / FPS

(e) 流式 / 可打断

(f) 中文支持 / 半身-全身

(g) 已知坑

4. xszyou/Fay

项值
Stars13,545（2026-09-22 HTML）
最后提交2026-09-21T08:56:28Z（commits/main.atom）→ 极活跃（核实前 1 天仍有提交）
许可证GPL-3.0（LICENSE 首行原文："GNU GENERAL PUBLIC LICENSE / Version 3, 29 June 2007"）

它到底是什么（定位）

README 原文（逐字）：

"我们致力于思考面向终端的数字人落地应用…Fay数字人框架，向上适配各种数字人模型技术，向下接入各式大语言模型，并且便于更换诸如 TTS、ASR 等模型，为单片机、app、网站提供全面的数字人应用接口。"

"完全开源，商用免责"、"支持全离线使用"、"全时流式的支持"、"自由匹配数字人模型、大语言模型（openai 兼容接口）、ASR、TTS模型"、"支持数字人自动播报模式（虚拟教师、虚拟主播、新闻播报）"、"支持任意终端使用：单片机、app、网站、大屏、三方业务系统接入"、"支持多用户多路并发"、"支持唤醒及打断对话"、"支持机器人表情输出"、"支持 agent 自主决策工具调用"、"支持 MCP 工具管理（sse、studio）"。

结论：Fay 是「agent 框架 + 数字人连接器」，不自己渲染画面。 它把「数字人模型」当作可插拔外设，README 的「使用数字人（非必须）」一节标题本身就写明 非必须。

数字人连接器（ue5 / metahuman / xuniren）

(c) 实际需要什么 GPU

(d) 端到端延迟 / FPS

(e) 流式 / 可打断

(f) 中文支持 / 半身-全身

(g) 已知坑

5. modstart-lib/aigcpanel

项值
Stars5,574（2026-09-22 HTML）
最后提交2026-09-18T04:46:10Z（commits/main.atom）→ 活跃
许可证Apache-2.0（LICENSE 首行："Apache License / Version 2.0, January 2004"）
技术栈README badge 原文："Framework-TS+Vue3+Electron"

它到底是什么（重点结论）

是一个 Electron 桌面客户端 + 模型管理器，它既"调用引擎"也"自己拉本地引擎跑"。 官方 README 原文（逐字）：

"AIGCPanel 是一款简单易用的一站式 AI 数字人桌面应用，支持 Windows / macOS / Linux 三平台。" "软件内置模型市场，支持一键下载启动包，开箱即用；同时兼容远程 API 模型。" "数字人合成：基于多种开源口型同步模型（MuseTalk / LatentSync / Wav2Lip / Heygem），将任意音频与人物视频精准对齐" "AI 模型管理：本地模型一键导入、启动/停止、日志查看、参数配置；支持远程 API 模型接入；云端 AI 模型服务（无需本地显卡）（VIP）"

→ 即：前端/面板是 Electron 壳，真正推理是外挂的「模型启动包」（本地，含 MuseTalk/LatentSync/Wav2Lip/Heygem 等）或云端 API。 它不是自研渲染引擎，而是引擎的集成商 + 本地运行时管理器。

(c) 是否需要 GPU / 显存要求

官方文档给出了最清晰的答案（aigcpanel.com/zh/document/74，逐字原文）：

"界面软件本身对硬件无特殊要求，普通电脑/笔记本即可运行。AI 模型运行需要依赖 专业显卡 GPU。如果没有 NVIDIA 显卡，可以使用 AI 云模型 服务，无需本地显卡即可使用全部功能（云模型按使用量计费）。" "目前我们提供的模型大部分基于 NVIDIA CUDA 框架，如需本地运行，务必准备 NVIDIA 显卡。"

同页还给出「怎么查看电脑是什么显卡」："Windows 系统 Ctrl+Shift+Esc 打开任务管理器 → 性能 → GPU，「专用 GPU 内存」即为真实显存。"

(d) 端到端延迟 / FPS

(e) 流式 / 可打断

(f) 中文支持 / 半身-全身

(g) 已知坑

横评速查（16GB / sm_120 视角）

仓库性质VRAM 关键数字16GB 单卡延迟/FPS流式·打断中文sm_120 风险
LivePortrait视频驱动肖像动画（非 lip-sync）权重 ≈0.5GB（官方 speed.md 合计 499.6MB）；第三方称 6GB VRAM 起✅ 富余≈67.7 FPS（4090+torch.compile，单帧 14.77ms）；首帧含 ~1min 编译❌ 官方无（第三方有实时分支）语言无关🔴 高（onnxruntime-gpu==1.18.0 无 sm_120；ORT #27621 Blackwell 死锁；X-Pose 需自编译 op；torch 示例仅到 cu121）
OpenAvatarChat全链路实时对话（ASR+LLM+TTS+Avatar）LAM 2–3GB / Qwen-Omni 2–3GB / openai_compatible 8–10GB / MiniCPM 20GB+（int4 10GB）；系统级 min 10GB / rec 20GB+✅ 除 MiniCPM 全本地外均可平均响应 2.2s（官方）；输出典型 25fps✅✅ 0.6.0 起全后端手动+双工打断✅ 强（SenseVoice+CosyVoice+百炼）🟡 中（文档要求 CUDA≥12.8 利 Blackwell，但钉 torch 2.4.1/cu124、flash-attn 需源码编译）
Linly-Talker多后端对话数字人（SadTalker/Wav2Lip/MuseTalk）官方未给数；第三方博客估 ≥12GB 为门槛（LLM int4 6–8GB + TTS 2–4GB + ASR 1–2GB）⚠️ 依赖组合，需实测MuseTalk V100 >30FPS（转述上游）；Stream 版仅定性"低延迟"⚠️ 主仓否；Linly-Talker-Stream 支持 barge-in 全双工✅ 强🔴 高（主仓 2026-02 后停更，无 2026 适配）
Fayagent 框架 + 数字人连接器（不渲染）本体 0 GPU；显存取决于外挂模型✅ 本体无需求官方无数字（未查到）✅ 全时流式 + 支持打断✅ 原生中文🟢 低（纯编排层）
aigcpanelElectron 桌面面板 + 本地模型启动包/云 API面板 0；本地模型需 NVIDIA GPU，具体 GB 未公布✅ 面板无需求，模型包需实测未查到（离线任务式）❌ 未查到（任务式批处理）✅ 原生中文🟡 未知（打包内 torch/ORT 版本不透明）

第二轮核实补充：实测 / 官方量化的显存与 FPS 数字（2026-09-22 补录）

抓取通道变更（重要）：本轮 raw.githubusercontent.com 在本机 IP 开始整体超时（curl exit 28 / code=000），改用 jsDelivr 镜像 https://cdn.jsdelivr.net/gh/<owner>/<repo>@<branch>/<path> 成功获取全部 README；GitHub REST API 持续限流未使用；星标与许可证经 shields.io 复核。

A1. OpenAvatarChat —— 第三方实测 3.1GB / 5.3GB（附实测截图）

来源：53AI 转载《低显存福音！OpenAvatarChat开源！实测仅需4G显存即可畅玩多模态数字人！》（2025-06-16，作者「AI与喵部署日记」，阅读 7846）逐字原文：

A2. MuseTalk（Linly-Talker 与 aigcpanel 的共同上游后端）—— 官方实测推理显存 + 官方训练显存表

来源：MuseTalk 官方 README（TMElyralab/MuseTalk）逐字：

阶段Batch Size梯度累积每卡显存官方推荐
Stage 181~32GB
Stage 1161~45GB
Stage 1321~74GB✓
Stage 218~54GB
Stage 222~80GB
Stage 228~85GB✓

→ 结论（回答 Linly-Talker 的「训练 vs 推理显存」）：MuseTalk 微调在 16GB 单卡上完全不可行（最低档 Stage1 bs=8 也要 ~32GB/卡）；16GB 只能跑 fp16 推理。这条官方数字可代答 Linly-Talker 与 aigcpanel 的 MuseTalk 后端显存问题。

A3. LivePortrait —— 实时化分支的真实数字（TensorRT）

来源：warmshao/FasterLivePortrait README 逐字：

"Achieved real-time running of LivePortrait on RTX 3090 GPU using TensorRT, reaching speeds of 30+ FPS. This is the speed for rendering a single frame, including pre- and post-processing, not just the model inference speed."

→ 与官方 speed.md（RTX 4090 + torch.compile，纯推理 ≈67.7 FPS / 14.77ms）形成互补：官方原生路径在 4090 上单帧推理更快，而 3090 + TensorRT 已能做到含前后处理的 30+ FPS 全流程实时。该分支还支持相机实时输入（--realtime、camera.bat）→ LivePortrait 生态具备实时能力，但来自社区改造，非官方。

该分支暴露的 LivePortrait 依赖地狱（对 sm_120 极关键，逐字）：

A4. aigcpanel —— 官方「模型市场」逐包 GPU 门槛（本轮最硬证据，直接回答问题）

来源：aigcpanel 官方模型市场页（?tag=视频换口型，页面自述「共 12 个资源」）。每个模型一键运行包逐字标注了 GPU / 内存门槛：

模型一键运行包价格GPU 要求内存50 系(Blackwell)标注备注（页面原文/日期）
Wav2Lip免费GPU 4G+8G+—2026-08-24，Win-x86 / OSX-ARM64 / Linux-x86
SadTalker免费GPU 4G+8G+—"GPU 4G+ 即可运行"；暂未发布
MuseTalk免费GPU 6G+16G+✅ 支持50显卡2026-09-16 v1.3.0；"V100 上 30fps+ 实时推理，支持多语言"
Wav2Lip384（优化版）VIP/SVIPGPU 8G+16G+—2026-08-22
Heygem-v2（优化版）VIPGPU 8G+16G+✅2026-08-22；硅基智能 v2
LatentSync免费GPU 8G+16G+—2026-07-27 v1.1.1
LatentSync15（ComfyUI 工作流）免费GPU 8G+16G+✅"纯 PyTorch，支持 CUDA / MPS / CPU"؛ 暂未发布
SoulX-FlashHead Lite（1.3B）免费GPU 8G+16G+✅"消费级 GPU 可达 96 FPS 实时推理"；暂未发布
LivePortrait免费GPU 8G+16G+✅"输入人像图片和驱动视频…支持视频/图片双驱动模式"；暂未发布
LatentSync 数字人对口型（ComfyUI 一键运行包）免费GPU 16G+16G+—2026-09-02
Heygem（优化版）VIP/SVIPGPU 16G+16G+—2026-07-28
FlashTalk（SoulX-FlashTalk-14B）免费GPU 24G+32G+✅"支持无限长流式生成"；暂未发布

A5. 仍未查到的项（诚实标注，未编造）

B. 许可证 / 星标 / 最后提交复核（shields.io + commits atom，2026-09-22）

仓库shields.io licenseshields.io stars最后提交（<updated> 首个）
KlingAIResearch/LivePortraitnot identifiable by github19k2026-06-01T17:24:54Z
HumanAIGC-Engineering/OpenAvatarChatApache-2.03.8k2026-07-31T00:28:29Z
Kedreamix/Linly-TalkerMIT ✅（与父 agent 结论一致）3.5k2026-02-10T05:17:02Z
xszyou/FayGPL-3.014k2026-09-21T08:56:28Z
modstart-lib/aigcpanelApache-2.05.6k2026-09-18T04:46:10Z

注：LivePortrait 的 shields 显示 "not identifiable by github" 本身就是「MIT 主体 + InsightFace 模型非商用附注」这一混合许可证的机器可读证据（GitHub 无法归类为纯 MIT）。

C. 横评表修订（据本轮实测证据）

仓库原判本轮修订
OpenAvatarChatLAM 2–3GB（旧 README）LAM 实测 3.1GB；LiteAvatar 实测 5.3GB（RTX 3060 6G 笔记本，第三方实测带图）→ 16GB 单卡余量充足
LivePortrait显存未知保守门槛 8GB（aigcpanel 官方标称）；实时档 RTX 3090 + TensorRT 30+ FPS（第三方实测声明）；官方 4090 纯推理 67.7 FPS
Linly-Talker显存未知MuseTalk 后端官方实测：推理 fp16 最低 4GB、训练 32–85GB/卡；主仓自身仍无数字
aigcpanel面板 0 显存、模型 GB 未公布官方逐包门槛已公布（4G/6G/8G/16G/24G）；11/12 个包 ≤16GB；6 个包标「支持50显卡」；SoulX-FlashHead Lite 标称 96 FPS
Fay本体 0 显存维持不变；实测数字仍缺失（未查到）

来源清单

官方来源（作者声明）

  1. LivePortrait LICENSE（MIT + InsightFace 非商用附注）— https://raw.githubusercontent.com/KlingAIResearch/LivePortrait/main/LICENSE
  2. LivePortrait readme.md（小写文件名）— https://raw.githubusercontent.com/KlingAIResearch/LivePortrait/main/readme.md
  3. LivePortrait 官方速度基准 speed.md — https://cdn.jsdelivr.net/gh/KlingAIResearch/LivePortrait@main/assets/docs/speed.md （仓库路径 https://github.com/KlingAIResearch/LivePortrait/blob/main/assets/docs/speed.md）
  4. LivePortrait 提交历史（最后提交 2026-06-01）— https://github.com/KlingAIResearch/LivePortrait/commits/main.atom
  5. LivePortrait 依赖清单（onnxruntime-gpu==1.18.0）— https://raw.githubusercontent.com/KlingAIResearch/LivePortrait/main/requirements.txt
  6. LivePortrait 仓库页（19,084 stars，重定向自 KwaiVGI）— https://github.com/KlingAIResearch/LivePortrait
  7. OpenAvatarChat README — https://raw.githubusercontent.com/HumanAIGC-Engineering/OpenAvatarChat/main/README.md
  8. OpenAvatarChat 快速开始（CUDA ≥12.8 / flash-attn 编译）— https://humanaigc-engineering.github.io/OpenAvatarChat/getting-started/
  9. OpenAvatarChat 提交历史（最后提交 2026-07-31）— https://github.com/HumanAIGC-Engineering/OpenAvatarChat/commits/main.atom
  10. OpenAvatarChat 仓库页（3,773 stars）— https://github.com/HumanAIGC-Engineering/OpenAvatarChat
  11. Linly-Talker README（中/英）— https://raw.githubusercontent.com/Kedreamix/Linly-Talker/main/README.md ｜ https://raw.githubusercontent.com/Kedreamix/Linly-Talker/main/README_zh.md
  12. Linly-Talker 提交历史（最后提交 2026-02-10）— https://github.com/Kedreamix/Linly-Talker/commits/main.atom
  13. Linly-Talker 仓库页（3,453 stars）— https://github.com/Kedreamix/Linly-Talker
  14. Linly-Talker-Stream README（WebRTC / barge-in）— https://raw.githubusercontent.com/Kedreamix/Linly-Talker-Stream/main/README.md
  15. Fay README — https://raw.githubusercontent.com/xszyou/Fay/master/README.md
  16. Fay LICENSE（GPL-3.0）— https://raw.githubusercontent.com/xszyou/Fay/master/LICENSE
  17. Fay 提交历史（最后提交 2026-09-21）— https://github.com/xszyou/Fay/commits/main.atom
  18. Fay 仓库页（13,545 stars）— https://github.com/xszyou/Fay
  19. fay-ue5（UE 数字人通道）— https://raw.githubusercontent.com/xszyou/fay-ue5/main/README.md
  20. aigcpanel README — https://raw.githubusercontent.com/modstart-lib/aigcpanel/main/README.md
  21. aigcpanel LICENSE（Apache-2.0）— https://raw.githubusercontent.com/modstart-lib/aigcpanel/main/LICENSE
  22. aigcpanel 提交历史（最后提交 2026-09-18）— https://github.com/modstart-lib/aigcpanel/commits/main.atom
  23. aigcpanel 官方文档《使用前需要了解的基础知识》（界面软件无硬件要求 / AI 模型需专业显卡 / 云模型无需本地显卡）— https://aigcpanel.com/zh/document/74
  24. aigcpanel 仓库页（5,574 stars）— https://github.com/modstart-lib/aigcpanel

第三方（实测/整理，非官方）

  1. DeepWiki「OpenAvatarChat / Getting Started」——显存表（minicpm 20GB+/int4 10GB、LAM 2-3GB、Qwen-Omni 2-3GB、openai_compatible 8-10GB）与系统要求（VRAM min 10GB / rec 20GB+、RAM 32GB+、CUDA 12.4+、torch 2.4.1）— https://deepwiki.com/HumanAIGC-Engineering/OpenAvatarChat/2-getting-started
  2. DeepWiki「OpenAvatarChat / System Requirements」— https://deepwiki.com/HumanAIGC-Engineering/OpenAvatarChat/2.1-system-requirements
  3. DeepWiki「OpenAvatarChat / Avatar Systems」——LiteAvatar "Low-Medium (3GB VRAM/session)"、MuseTalk "High"、输出典型 25fps — https://deepwiki.com/HumanAIGC-Engineering/OpenAvatarChat/6-avatar-systems
  4. DeepWiki「OpenAvatarChat / Configuration Examples」— https://deepwiki.com/HumanAIGC-Engineering/OpenAvatarChat/4.2-configuration-examples
  5. CSDN《Linly-Talker对显卡配置的要求及性价比推荐》——模块显存估表 + "12GB 为最低推荐门槛"（AI 生成风格，无实测截图）— https://blog.csdn.net/weixin_42561464/article/details/156119020
  6. Compshare 镜像页《Fay数字人-3.1.1》——镜像 40GB、累计部署 255、最近更新 2025-12-05、CUDA 版本栏为空 — https://www.compshare.cn/images/compshareImage-1cft3sk9gvta
  7. Lytanshade/LivePortrait-pinokio——"6GB VRAM ~8GB install"（第三方封装声明）— https://github.com/Lytanshade/LivePortrait-pinokio
  8. microsoft/onnxruntime issue #27621——"[CUDA EP] Silent deadlock ... on Blackwell GPU (RTX 5060, sm_120)" — https://github.com/microsoft/onnxruntime/issues/27621
  9. Natfii/onnxruntime-gpu-blackwell——"onnxruntime-gpu 1.24.1 with Blackwell sm_120 CUDA kernels" — https://github.com/Natfii/onnxruntime-gpu-blackwell
  10. OpenAvatarChat 官方 B 站教程（未逐帧核验）— https://www.bilibili.com/video/BV1sv8QzLEC2

第二轮新增来源（实测/官方量化数字）

  1. 53AI 转载《低显存福音！OpenAvatarChat开源！实测仅需4G显存即可畅玩多模态数字人！》—— RTX3060 6G 笔记本实测：LAM 3.1G / LiteAvatar 5.3G、N卡4G以上、CUDA≥12.4 — https://www.53ai.com/news/OpenSourceLLM/2025061631429
  2. MuseTalk 官方 README —— 推理实测最低 RTX 3050 Ti Laptop 4GB VRAM / fp16 下 8 秒视频约 5 分钟、V100 30fps+、训练每卡显存表（Stage1 32/45/74GB，Stage2 54/80/85GB，8×H20）— https://cdn.jsdelivr.net/gh/TMElyralab/MuseTalk@main/README.md
  3. FasterLivePortrait（warmshao）README —— RTX 3090 + TensorRT 实时 30+ FPS（含前后处理）；TensorRT 8.x（≥10 不兼容）、需 grid_sample TRT 插件、需自编译 liqun/ImageDecoder-cuda 分支的 onnxruntime_gpu-1.17.0 — https://cdn.jsdelivr.net/gh/warmshao/FasterLivePortrait@master/README.md
  4. aigcpanel 官方模型市场（视频换口型，12 个资源）—— 逐包 GPU/内存门槛：Wav2Lip 4G+/8G+、SadTalker 4G+/8G+、MuseTalk 6G+/16G+（支持50显卡）、Wav2Lip384 8G+、Heygem-v2 8G+、LatentSync 8G+、LatentSync15 8G+、SoulX-FlashHead Lite 8G+（96 FPS 实时推理）、LivePortrait 8G+、LatentSync ComfyUI 16G+、Heygem 16G+、FlashTalk 24G+/32G+ — https://aigcpanel.com/zh/asset?tag=%E8%A7%86%E9%A2%91%E6%8D%A2%E5%8F%A3%E5%9E%8B
  5. shields.io 许可证/星标复核（LivePortrait not identifiable by github、OAC Apache-2.0、Linly-Talker MIT、Fay GPL-3.0、aigcpanel Apache-2.0）— https://img.shields.io/github/license/&lt;owner&gt;/&lt;repo&gt;
  6. CSDN《NVIDIA GPU显存至少需要多少才能流畅运行HeyGem？》—— 720p 单任务 ≥6GB/推荐 ≥8GB、1080p ≥8GB/≥12GB、720p 批量 ≥10GB/≥16GB（作者自称"经验性结论"估算，非实测，AI 生成风格，可信度低）— https://blog.csdn.net/weixin_35903223/article/details/156559902
  7. CSDN《Linly-Talker支持哪些GPU型号？显存要求说明》— https://blog.csdn.net/weixin_42584507/article/details/156108152
  8. CSDN《Linly-Talker深度测评：开源数字人系统的性能边界在哪？》— https://blog.csdn.net/weixin_33239721/article/details/156104378
  9. CSDN《lite-avatar形象库部署教程：GPU显存仅需4GB即可运行的轻量级2D数字人方案》— https://blog.csdn.net/weixin_31860973/article/details/158077639
  10. gitcode《30分钟上手Fay数字人框架：从安装到部署全指南》— https://blog.gitcode.com/fc7c5060556b75882fdbc62e2d1a1902.html
  11. LivePortrait issue #76（直播/摄像头实时输入可行性讨论）— https://github.com/KlingAIResearch/LivePortrait/issues/76
  12. Lytanshade/LivePortrait-pinokio（第三方封装声明 "6GB VRAM ~8GB install"）— https://github.com/Lytanshade/LivePortrait-pinokio

第二轮方法学备注：raw.githubusercontent.com 在本机 IP 本轮整体超时（curl exit 28），全部 README 改由 jsDelivr 镜像（https://cdn.jsdelivr.net/gh/<owner>/<repo>@<branch>/<path>）获取；GitHub REST API 全程限流未使用；最后提交时间取自 https://github.com/<owner>/<repo>/commits/main.atom。若需复现，请优先使用这两条不消耗 API 配额的通道。

无法核实项（未查到，未编造）：LivePortrait 官方显存要求与首帧延迟（仅有 499.6MB 权重 + 第三方 6GB/8GB 门槛）；OpenAvatarChat 首帧延迟（有 2.2s 平均响应，无首帧数字）与 MuseTalk 后端的 OAC 内实测 GB；Linly-Talker 自身官方训练/推理显存与帧率（其 MuseTalk 后端可用官方 4GB 推理 / 32–85GB 训练代答）；Fay 官方任何延迟/FPS 与显存数字、xuniren/metahuman 连接器名称级原文；aigcpanel 端到端延迟（唯一 FPS 数字来自未发布的 SoulX-FlashHead Lite 包标称 96 FPS）。GitHub REST API 因限流（core remaining=0）未能执行 issue 关键词检索（sm_120/Blackwell/OOM/16GB），上述 sm_120 结论部分依赖依赖清单、官方文档与搜索结果推断，建议后续用带 token 的 API 补做 issue 检索验证。

下载此文件