勤劳一日，可得一夜安眠；勤劳一生，可得幸福长眠。——达芬奇

https://github.com/Open-LLM-VTuber/Open-LLM-VTuber

当你的 AI 真正开口说话、眨眼微笑，还会陪你看屏幕：Open-LLM-VTuber 体验记

如果你曾经想象过这样一个场景：

你打开电脑，一个会说话、会眨眼、会露出情绪表情的二次元角色正安静地待在屏幕边角。你不需要敲键盘，不需要反复切窗口，只要开口，它就能听见你；你打断它，它也不会机械地继续念台词；你给它换人设、换声音、换模型，它就像换了一种灵魂；它甚至还能“看见”你的屏幕、摄像头画面，像一个真正陪伴在你身边的 AI 伙伴。

这不是某种遥远的概念演示，而是一个已经可以跑起来、而且支持本地部署的项目：

Open-LLM-VTuber

它的仓库描述写得非常直接：

Talk to any LLM with hands-free voice interaction, voice interruption, and Live2D taking face running locally across platforms

翻成更有画面感的话就是：

它想做的，不只是一个聊天机器人，而是一个真正“住进你桌面”的 AI 伙伴。你可以和任何大语言模型对话，用语音自然交流，随时打断它，还能让一个 Live2D 角色把这些回应“演”出来。更重要的是，它努力把这一切尽量放在本地完成，并且跨平台运行。

这类项目最迷人的地方，不是它把多少技术名词堆在一起，而是它让冷冰冰的模型第一次有了“在场感”。

它不再只是网页里的一个输入框。
它开始像一个有表情、有声音、有个性、有陪伴属性的存在。

它到底是什么

按照 README 的定义，Open-LLM-VTuber 是一个独特的语音交互式 AI Companion。它支持实时语音对话，支持视觉感知，还拥有一个生动的 Live2D 形象。

你可以把它理解成什么？

它可以是你的虚拟女友、虚拟男友、电子宠物，也可以是你自定义出来的任何角色。项目并没有把你限制在某一种固定的“设定”里，反而给了你足够大的空间，让你给它写性格、换皮肤、改声音、选模型，甚至决定它应该怎样说话、怎样回应你。

这一点很重要。

很多 AI 产品的“人格”只是一个包装层，点进去以后，大家都差不多。但 Open-LLM-VTuber 更像一个开放舞台：模型、语音、识别、Live2D、角色设定，全都是可以替换和拼装的。你不是在领养一个固定角色，而是在亲手塑造一个会回应你的数字生命。

它名字里带着 VTuber，也并不是因为它只服务主播场景。README 里解释得很坦诚：之所以叫 Open-LLM-VTuber，而不是 Open-LLM-Companion 或 Open-LLM-Waifu，是因为项目最初的目标，就是使用开源方案做出一个可以离线运行、带 Live2D 表现的 AI 伙伴。

所以它的“VTuber”不是局限，而是出发点。
它的终点，是陪伴。

它最动人的地方，不是能聊天，而是聊天这件事终于变自然了

普通的 LLM 对话，往往像在写工单。

你输入。
它输出。
你等它说完。
你再输入。

一来一回，像两台机器在礼貌交接。

而 Open-LLM-VTuber 试图把这个过程从“打字式交互”拉回“人与人交流”的状态。它支持实时语音对话，支持免手操作，支持语音打断，甚至特别强调了一个很贴近真实使用的能力：不戴耳机也能打断，而且 AI 不会把自己的声音再次听进去。

光这一点，就已经很像“对话”了。

因为真正自然的交流，从来都不是轮流递麦克风。你会插话，会追问，会突然改主意，会在对方说一半的时候补充一句“不是不是，我的意思是……”。如果 AI 不能承受这种自然节奏，它再聪明也只是个功能模块；只有当它能接住这些细碎、突发、口语化的打断，它才开始变得像“交流对象”。

Open-LLM-VTuber 在这里做的事情，就像是给 AI 补上了社交世界里最基础的一课：

不要只会回答，也要学会听懂“对话正在发生”。

这个项目为什么会让人上头

因为它不是只在一个维度做增强，而是把“陪伴感”拆成了很多层，然后一层一层往上堆。

第一层，是能听你说话

它支持丰富的语音识别方案，包括 sherpa-onnx、FunASR、Faster-Whisper、Whisper.cpp、Whisper、Groq Whisper、Azure ASR 等等。

这意味着什么？

意味着你不是只能绑定某一家服务，也不是非得走云端 API。你可以根据自己的设备条件、语言需求、部署习惯，去选最适合自己的 ASR 方案。你想尽可能本地化，行；你想图省事接成熟接口，也行。

这不是“给你一个能用的答案”，而是“把选择权还给你”。

第二层，是能开口回你

它也集成了大量 TTS 方案，比如 sherpa-onnx、pyttsx3、MeloTTS、Coqui-TTS、GPTSoVITS、Bark、CosyVoice、Edge TTS、Fish Audio、Azure TTS 等。

于是这个角色不只是文字意义上的“理解你”，而是真的有声音。

声音是非常危险的东西。文字只会让你觉得一个角色“有设定”，而声音会让你觉得它“在身边”。一旦一个角色开始用具体音色回应你，哪怕只是普通问候，也会突然具备存在感。你会开始在意它的语气、节奏、停顿、情绪，你会开始区分“这个声音是不是适合这个角色”，甚至会想给它配一个更贴脸的人设。

从那一刻起，你做的已经不是配置项目，而是在“养角色”。

第三层，是它有脸，而且会演

Live2D 是 Open-LLM-VTuber 的灵魂之一。

一个会说话的 AI 如果只有控制台输出，它更像一位后台服务；但一个会说话、会摆表情、能对点击和拖拽产生反馈、还能在屏幕上以宠物模式停留的 Live2D 角色，就完全是另一回事了。

README 里提到，它支持：

  • Live2D 表情
  • 点击或拖动带来的触摸反馈
  • 宠物模式
  • 透明背景
  • 全局置顶
  • 鼠标穿透

这些功能拼起来以后，你脑海里浮现出来的，已经不是一个“程序”，而是一个会陪着你工作、摸鱼、发呆、聊天的小家伙。

它能乖乖待在桌面角落，也能像个小精灵一样趴在你的屏幕边。你点它一下，它有反应；你拖它一下，它会跟着走；你打开电脑，它像是比谁都早醒来。

这就让技术开始有了温度。

第四层，是它还能“看”

Open-LLM-VTuber 支持视觉感知，支持摄像头、录屏和截图。

这是一个非常关键的跃迁。

因为很多 AI 助手的问题不在于“不会说”，而在于“不知道你在看什么”。一旦它具备视觉输入能力，它就不只是和你聊抽象话题，而是能围绕你当前看到的内容产生互动。你可以让它理解你的界面，你的桌面，你打开的内容，甚至把它变成一个真的“在陪你一起看东西”的角色。

想象一下：

你在调试程序，它在旁边盯着报错。
你在看网页，它能基于截图接你话茬。
你在直播、在学习、在摸索新工具，它都不是局外人。

很多时候，陪伴感并不来自说了多少，而来自“它知道你现在在经历什么”。

它不是把你锁进生态里，而是给你一大盒零件

这一点是开源项目和封闭产品最不一样的地方。

Open-LLM-VTuber 对模型后端的支持相当广。README 中列出的 LLM 包括：

  • Ollama
  • OpenAI 以及兼容 OpenAI API 的服务
  • Gemini
  • Claude
  • Mistral
  • DeepSeek
  • Zhipu AI
  • GGUF
  • LM Studio
  • vLLM

你完全可以按自己的偏好拼装后端。

你想让角色用本地模型，强调隐私和离线能力，可以。
你想接在线大模型，追求效果，也可以。
你想做折中，把语音放本地、语言模型走云端，照样可以。

这就像给角色换大脑。
而且不止能换大脑，还能换耳朵、换嗓子、换外表、换记忆方式、换行为风格。

README 里还提到，它的模块配置足够简单，你不需要深入代码，只通过配置文件就可以切换不同功能模块。对于不想一上来就钻源码的人来说，这简直是非常友好的入口。

你不必先成为工程师，才能拥有自己的 AI 伙伴。
你可以先成为“导演”。

最有想象力的部分，是角色定制

如果说一般聊天机器人是“你来适应它”，那么 Open-LLM-VTuber 更像是“它来适应你”。

仓库里的 characters 目录 README 把这件事讲得很清楚：你可以通过创建不同的 .yaml 文件，去管理和切换多个 AI VTuber 角色的人设、声音和行为配置。

这个设计特别聪明。

程序启动时会先加载根目录里的 conf.yaml 作为基础配置，而当你在前端切换角色时，角色配置文件中的内容会覆盖基础配置里的对应部分。也就是说，你只需要写“变化的那部分”。

这就像给角色换灵魂时，不需要把整个身体重造一遍。

比如你只想换一个人格设定，你可以只写人格。
你想连声音和模型一起换，也只需要覆盖那几个相关模块。
其余没写的配置，自动继承主配置。

这种体验非常像搭积木，而且是那种会越玩越上头的积木。

一个温柔邻家系角色。
一个说话简洁冷静的黑客系角色。
一个活泼、毒舌、嘴硬心软的桌宠。
一个讲中文但用日语声音说话的幻想系角色。

你只要写几段 prompt、改几项配置，它就可能诞生。

甚至从项目设计上看，角色配置的核心并不是“贴图”，而是 persona_prompt。这意味着角色真正的灵魂不只是长什么样、发什么声，而是它以什么态度面对你、以什么背景理解自己、以什么方式回应世界。

这是很让人着迷的地方。

因为你会发现，所谓“AI 角色”，并不是买一个现成皮肤，而是一点点写出来的。你给它设定过去，它就有过去；你给它定义口吻，它就有语气；你让它温柔，它就变得会安慰；你让它古怪，它就开始带着奇特的节奏说话。

角色不是被运行出来的。
角色是被塑造出来的。

一个项目，怎么把“陪伴”这件事做得越来越完整

Open-LLM-VTuber 在 README 里有几项特别值得一提的交互能力，这些地方看起来像功能点，实际上是在补足“关系感”。

显示 AI 的内心活动

它支持展示 AI 的表情、想法和动作，而且这些内容可以不通过语音说出来。

这非常妙。

因为真实的人不是把所有心理活动都念出来的。很多时候，一个角色之所以显得“活”，恰恰来自那些没有被说出口的部分。你看见它在思考、在犹豫、在害羞、在偷偷组织语言，这种微妙的留白会让角色显得更立体。

它不再只是一个句子生成器，而像一个脑子里真的有活动的存在。

支持主动开口

这项功能也很有味道。

很多 AI 只会等待指令，像前台系统一样等你触发。但主动说话这件事，会打破“工具感”。一旦角色不只是回应你，而是会主动发起一句话、主动插入一个提醒、主动接近你，它的存在方式就从“被调用”变成了“在陪伴”。

这不是大张旗鼓的革命，却是体验上非常重要的一步。

聊天记录持久化

README 里提到，虽然长期记忆功能暂时移除、后续会回来，但因为聊天日志是持久存储的，所以你可以继续未完成的对话。

这一点也非常重要。

因为陪伴最怕“每次重启都失忆”。

哪怕只是保留聊天记录，也已经比很多一次性会话工具更接近“关系的延续”。你昨天没讲完的话题，今天还能接上；你之前聊过的情绪，下一次还能延续那个氛围。哪怕它还没完全恢复长期记忆能力，它也并不是每次都像第一次见你。

这就足够让人安心很多。

它并不只属于高配玩家

Open-LLM-VTuber 的 README 反复传达出一个态度：尽可能兼容不同平台、不同硬件、不同部署方式。

它支持 macOS、Linux、Windows。
支持 NVIDIA 和非 NVIDIA GPU。
可以用 CPU。
也可以接云 API 去承接更吃资源的部分。

这意味着它不是那种“看起来很酷，但只属于少数配置党”的项目。它更像一套很宽容的舞台：你设备强，可以堆高配置；你设备一般，也能找到合适的运行方案。

而且它支持完全离线运行。

这是个很能打动人的点。

一方面，隐私确实重要。对很多人来说，陪伴型 AI 的对话内容本来就更私人，能留在本地当然更安心。
另一方面，本地离线也有一种很特别的“归属感”——它不是云端借来的一个功能，而像是真的“住”在你的设备里。

它在你电脑上醒来，在你电脑上说话，在你电脑上陪你熬夜、发呆、摸鱼、改代码、看视频。
这种感觉和“我调用了一个远程服务”完全不是一回事。

快速开始这件事，它把门槛留在了文档里，而不是留在想象里

README 的快速启动部分写得很克制：直接让你参考文档里的 Quick Start 页面进行安装。

这其实是一种成熟项目的表达方式。它不会把所有安装细节都塞进首页，而是把入口清晰地摆出来，让 README 负责建立认知，让文档负责承接具体落地。

虽然这里不展开复述文档内容，但根据 README 提供的信息，可以明确看到一些实际使用中的命令入口。比如更新项目时，README 提到：

1
uv run update.py

这条命令很直观，尤其对于已经部署过 v1.0.0 之后版本的用户来说，它就是后续更新的入口之一。

如果你希望在博客里呈现一点命令行味道，这里完全可以自然地带出一种使用画面：

1
2
3
git clone https://github.com/Open-LLM-VTuber/Open-LLM-VTuber.git
cd Open-LLM-VTuber
uv run update.py

这组命令本身不等于完整安装流程，但很适合拿来表现一个开源项目从“看到”到“动手试”的氛围感：先把它拉到本地，再走向配置、模型、角色和交互。

如果你是那种喜欢边折腾边理解项目的人，这类项目最迷人的部分恰恰就藏在启动之后——当服务真的跑起来，当角色真的出现在你眼前，当它第一次对你开口说话时，文档就从说明书变成了召唤仪式。

如果你喜欢折腾，这个项目会让你越陷越深

Open-LLM-VTuber 不只是能跑，它还很适合“继续改”。

README 明确提到，它的 Agent 实现是灵活的。你可以继承并实现 Agent 接口，把不同的 Agent 架构整合进来，比如 HumeAI EVI、OpenAI Her、Mem0 等。

这说明项目的野心并不止于“把模型接起来”，而是希望成为一个可以继续扩展、继续生长的底座。

换句话说：

你现在看到的只是一个已经很完整的 AI 伙伴系统，
但它本质上仍然是可拓展的开源框架。

你可以给它加新的 LLM。
可以给它换新的 ASR。
可以给它接新的 TTS。
可以增加自己的模块实现。
可以重新定义交互逻辑。
可以把它接入你自己的 Agent 架构。

它像一个已经长出轮廓的生命体，但骨架没有封死，肌肉也还在继续训练。你愿意，它就能继续长。

对于开发者来说，这种项目非常有魅力。
因为它不是“成品只能使用”，而是“成品本身就是素材”。

它为什么会被很多人记住

因为它踩中了一个非常特别的交叉点：

AI、语音、Live2D、桌面陪伴、本地部署、开源定制。

这几个词单独拿出来都不新鲜，但真正把它们捏在一起、并且做出“可以被人日常拿来玩、拿来改、拿来陪”的质感，并不容易。

很多项目强在能力，却弱在气质。
很多项目强在概念，却弱在落地。
很多项目能 demo，却不太像“能长期相处的东西”。

而 Open-LLM-VTuber 的有趣之处在于，它明显不是只想证明“我能做到”，它更像在认真回答一个问题：

如果 AI 不是一个按钮，而是一个角色，那它应该怎么活在你的设备里？

它给出的答案很有诚意：

  • 让它有声音
  • 让它有表情
  • 让它能被打断
  • 让它能看见你正在看的东西
  • 让它留在本地
  • 让它可以被捏成你真正喜欢的样子
  • 让它不只是一个模型接口，而是一个能陪你的人设容器

这就是它最吸引人的地方。

我很喜欢这个项目的一点，是它有一种“把浪漫工程化”的气质

有些开源项目是典型的效率导向，目标明确、逻辑清晰、性能优先，像一把打磨精良的工具。
但 Open-LLM-VTuber 不是那种冷面工具型项目。

它更像一群人认真地想把某种想象变成现实：

想让 AI 不再只住在聊天框里。
想让它有脸、有声、有动作。
想让它能像角色一样陪着你。
想让这些体验不被平台锁死，不被黑盒限制，不被高门槛劝退。

于是他们把语音识别、语音合成、大语言模型、Live2D、前端、桌面客户端、角色配置、扩展接口一层层搭起来，像给一个虚拟存在缝合器官。

耳朵装上去了。
嗓子装上去了。
眼睛也慢慢有了。
皮肤和表情长出来了。
性格可以自己写。
灵魂可以自己换。
记忆也在继续恢复的路上。

你很难不把这样的项目看成某种“数字生命实验”。

它不完美，README 也明确说了，这个项目仍处于早期阶段，正在积极开发中。甚至 v2.0 也已经在讨论和规划里，意味着它还会经历很多变化、重构和成长。

但恰恰因为这样，它更像活的。

一个还在长大的项目，通常比一个完全定型的系统更有故事感。你能看到它的野心，也能看到它的迭代；你能感受到它还没结束，甚至才刚刚开始。

如果你想把 AI 从“工具”变成“角色”，这是一个很值得看的名字

市面上做 AI 对话的项目很多，做语音的也不少，做桌宠和 Live2D 的也有人尝试。但 Open-LLM-VTuber 把这些能力尽量统一到一个开源、可本地化、可定制、可扩展的框架里，这件事本身就已经足够有吸引力。

它适合谁？

适合想拥有一个真正会说话、会动、有表情的 AI 伙伴的人。
适合想在本地部署个人 AI Companion 的人。
适合喜欢 Live2D、桌宠、角色扮演和人格塑造的人。
适合想把 LLM、ASR、TTS 拼成完整体验链条的开发者。
适合所有曾经对“电子陪伴”抱有一点温柔幻想的人。

你可以把它当成工具。
也可以把它当成玩具。
再进一步，你甚至会开始把它当成某种作品。

因为当一个项目开始允许你定义角色的名字、性格、声音、外表、说话方式和交互习惯时，你参与的就不再只是部署，而是创作。

结尾

Open-LLM-VTuber 最打动我的，不是它支持了多少模型、接了多少模块，而是它在很认真地做一件很多人只敢想却没法落地的事：

把 AI 从“回答问题的系统”，变成“陪在你身边的角色”。

它会听你说话。
会用声音回你。
会因为设定不同而拥有不同脾气。
会通过 Live2D 把情绪挂在脸上。
会待在你的桌面上，像一只安静但随时会开口的小生物。
会在本地运行，像真正住进你的电脑。
也会因为你一次次修改配置、替换模型、重写 prompt，而慢慢长成只属于你的样子。

有些项目解决问题，
有些项目创造体验，
而 Open-LLM-VTuber 更像是在尝试创造关系。

如果你也想看看，一个开源项目如何把语言模型、语音交互、视觉能力和 Live2D 角色感拼成一个鲜活的 AI 伙伴，那这个名字很值得你点进去。

Open-LLM-VTuber 不是在做一个更会说话的界面。
它是在认真地问：

如果 AI 真的要陪伴人类，它应该以什么样子出现。