VoxEMW：在浏览器里，和你的AI数字人面对面聊天

一个开源、模块化、支持实时语音和数字人形象的AI角色扮演框架

你有没有想过，有一天可以和屏幕里的“数字人”像视频通话一样自然地聊天？它不仅能听懂你的话、用符合人设的语气回应你，还能看着你的眼睛说话，甚至在你沉默时做一些不经意的微动作——就好像屏幕对面真的坐着一个人。

VoxEMW 就是这样一个开源项目。它把语音识别、大语言模型、语音克隆、数字人驱动等一系列前沿技术，像搭积木一样组合起来，让你只需要一个浏览器，就能拥有一个“活”在屏幕里的AI伙伴。

✨ 它凭什么吸引人？

VoxEMW 的核心体验是 端到端的实时语音交互。你对着麦克风说话，AI会“听”到并立刻用语音回应你——整个过程是流式的，延迟很低，体验就像在打视频电话。它使用了 VAD（语音活动检测）来判断你是否说完，结合阿里 SenseVoiceSmall 模型做语音识别，响应自然流畅。

每一个AI角色都由三部分构成，缺一不可：

人设（Prompt）：定义角色的性格、说话方式、背景故事，比如“一个傲娇的猫娘管家”或“一个严肃的科幻舰长”。
音色（TTS）：基于 VoxCPM2 模型实现语音克隆，你可以让AI用特定音色说话，甚至可以克隆你自己的声音。
形象（Avatar）：由 SoulX-FlashHead 模型驱动，数字人不仅会张嘴说话，还能同步唇形，并伴有自然的微动作（眨眼、轻微摇头、呼吸起伏），栩栩如生。

这是 VoxEMW 作为开发框架的最大亮点。它的每个核心模块都是可插拔的：

这种设计让开发者可以按需组合，甚至把 VoxEMW 当成“底座”，搭建自己专属的 AI 数字人应用。

这是个很有趣的互动彩蛋。你可以通过摄像头截取一帧画面，AI会“看到”你的样子，并根据角色人设进行一番“锐评”——可能毒舌，可能夸赞，全看你怎么设定。这给纯语音交互增添了一层视觉互动的趣味。

VoxEMW 的整体架构分为三个核心服务，由一个“编排器（Orchestrator）”统一调度：

服务模块	功能	用到的模型/技术
语音管线（s2s Pipeline）	处理语音的输入和输出	VAD + SenseVoiceSmall（STT）+ DeepSeek API（LLM）+ VoxCPM2（TTS）
数字人服务（Avatar Service）	驱动数字人形象，实现唇形同步和微动作	SoulX-FlashHead
编排器（Orchestrator）	协调各模块与前端浏览器之间的数据和事件	WebSocket / HTTP API
前端	浏览器端展示数字人、播放语音、采集音视频	基于 Web 技术栈

前端界面完全跑在浏览器里，用户打开网页就能用，不需要安装任何客户端。

这是最重要的一点：VoxEMW 对硬件，尤其是 显卡（GPU） 的要求非常高。因为语音合成和数字人驱动都需要实时运行深度学习模型，CPU无法胜任。

根据项目官方的实测数据：

加上系统开销，你需要一张至少拥有 16GB 以上显存的独立显卡。项目文档中给出的参考配置是 RTX 4090D 24GB。

如果你的机器没有独显，或者显存不足，VoxEMW 是无法启动的。换句话说，它不是为普通办公笔记本或低配服务器设计的轻量级应用，而是为AI发烧友和研究者准备的高性能数字人沙盒。

此外，目前项目主要聚焦中文语音交互，对多语言的支持还有待验证。

适合人群	理由
AI 研究者 / 开发者	模块化设计方便做技术实验，可以替换任意组件进行对比测试。
数字人内容创作者	可以低成本定制专属虚拟主播、AI助教、虚拟陪伴角色。
有高性能PC的AI爱好者	想体验最前沿的“实时数字人”技术，而不是用预制好的商业产品。
企业技术预研团队	评估自建数字人客服、虚拟导览等方案的技术可行性。

VoxEMW 目前处于积极的早期开发阶段，项目更新频繁。未来值得期待的改进方向包括：

它很可能是开源社区里最有潜力的“实时数字人”框架之一。

VoxEMW 不是一个“随手就能装”的玩具，而是一台需要“好引擎”才能驱动的精密机器。如果你有 RTX 4090 级别的显卡，它就是你可以自由改造的数字人实验室；如果你目前只有一台普通电脑，不妨把它收藏下来，作为未来升级设备后第一个想跑的项目。

项目地址：github.com/emwstudio/VoxEMW

等你攒够了显卡，我们再来把屏幕里的她“唤醒”。