锐音

数字人视频，语音合成，口型驱动，音色克隆

应用介绍

锐音是面向内容创作者与企业的 AI 数字人视频&配音创作平台：输入文案，经 AI 助写优化后，用本机 CosyVoice 3.0 合成真人级语音、MuseTalk 驱动数字人口型，一键生成说得准、口型同步的数字人视频或配音音频；支持零样本音色克隆、形象选择、情感/语速/方言/多语言控制、作品管理与分享。本地离线部署（aarch64 原生镜像，NVIDIA Jetson/Thor 直接运行）。

部署方式

本应用为 aarch64 原生镜像（NVIDIA Jetson/Thor 等 ARM64 平台直接部署运行，不支持 x86_64）。架构为 2 个 Docker 服务：CosyVoice 3.0 TTS 主服务 + LiveTalking（MuseTalk 口型驱动）数字人；镜像已推送至火山云容器仓库。

硬件要求

NVIDIA GPU（已在 NVIDIA Thor / AGX 统一内存架构实测）
显存：TTS ≥ 6GB；数字人视频（MuseTalk）需 GPU 推理
系统：Ubuntu 24.04（aarch64）

方式一：AI Agent OS 应用中心一键部署（推荐）

已按 AI Agent OS 模板打包（tts-v1.0.0.tar.gz，含 deploy.yml / manifest.yml），上传后直接从火山云仓库拉镜像部署；
平台自动分配访问端口，Web 工作台入口 http://:；可接入本地大模型（smart-router，AI 助写自动连接）。

方式二：Docker（镜像已推送，直接拉取）

docker pull aoni-docker-cn-guangzhou.cr.volces.com/public/app/tts:latest
docker pull aoni-docker-cn-guangzhou.cr.volces.com/public/app/tts-musetalk:latest
docker compose up -d
curl -s localhost:50000/healthz

前置：CosyVoice/pretrained_models/Fun-CosyVoice3-0.5B/ 下有完整模型（约 9.1GB）
访问 http://<本机IP>:50000 即得完整界面。

方式三：本地 Python（不带容器）

source venv_cosyvoice/bin/activate
python3 server.py --port 50000

端口说明

50000：锐音 Web 应用 + TTS API（对外访问）
8020 ：LiveTalking MuseTalk 数字人（内部 WebRTC/wav2lip，host 网络）

使用说明

· **数字人视频：**输入文案即可生成说得准、口型同步的数字人视频；CosyVoice 合成真人级语音 + MuseTalk 驱动口型，真实渲染，非模板拼接。 · **配音音频：**一键把文案合成为自然、有情感的配音（支持情感/语速/风格标签、方言/多语言），可用于播报、有声内容。 · **音色克隆：**上传 3–10 秒参考音频（或浏览器录音）零样本克隆/新增音色，可选预设说话人（男女声、中英日韩）。 · **AI 助写：**接入大模型把粗略想法扩写成完整口播文案，自动回退确定性引擎，功能不缺失（模型 auto 自动挑选健康后端）。 · **数字人形象：**内置多种商务/讲师/主播形象，16:9 / 9:16 竖版横版切换，昵称与形象摘要实时联动。 · **作品管理：**生成作品自动记录（预览/导出/批量操作/删除），同需求作品折叠去重，草稿本地自动保存、刷新恢复。 · **分享链接：**成片一键生成 24 小时有效分享链接，交付客户与团队无需登录即可预览。 · **线下可部署：**本地离线运行，数据不出内网，适配政企/私有化场景。