前两天在知乎上刷到一个问题，挺有意思的：

“一个人能做出什么开源项目？”

看到这个话题，我感触很深。

今年我刚好也做了一个开源项目。不是那种“awesome xxx”或者纯教程类的项目。我深切体会到单枪匹马做开源有多不容易——就算有AI帮忙，该踩的坑一个不少。

项目上线两个多月，目前在GitHub上拿到了1.3K star。如果你也有做开源的想法，不妨听听这段经历。

一句话说清楚这个项目

我写了一个开源实时数字人Agent框架。只需要一张照片，就能生成一个可以和你视频聊天的数字人。

我知道很多人对“数字人”这个词有点过敏。但我这里说的数字人，可能跟你想象的不太一样。

缘起：为什么想做实时数字人

2026年初，AI视频生成迎来一波大爆发。当时我随手用小云雀生成了一段“蒂法”的视频，效果惊艳得不行。

我心里冒出一个念头：要是哪天能打破第四面墙，和蒂法视频通话就好了。

• 她能理解我生活的世界。
• 我也能听她聊聊最终幻想设定之外的内容。

为此我还发了条朋友圈纪念这个愿望。

开始动手

转机出现在2月份。机缘巧合下，我发现了一个开源数字人模型——FlashTalk。

这是一个音频驱动的数字人模型。最吸引人的地方在于：它比主流数字人模型效果更好，同时还能做到实时推理。当然，代价也不小——想要实时跑起来，需要5块H200显卡。

巧的是，我当时正好认识一个能借到H200显卡的朋友。于是花了一段时间研究这个模型，渐渐觉得，那个愿望说不定真能实现。

朋友的显卡终究是要还的。正当我为显卡发愁时，开源界又甩出一个新模型——FlashHead（还是FlashTalk团队的作品）。这是一个1.3B参数的小模型，这次不需要专业级显卡了，5090就能跑。虽然效果比不上FlashTalk，但至少我玩得起了。

于是我开始动手，在FlashHead之上构建一个应用。

这个项目最核心的功能，就是实现全双工端到端的实时视频通话。围绕这个核心玩法，我拓展了一些更实用的功能：

• 好看的UI界面
• 角色管理
• 角色定义

整体采用模块化设计——数字人底座、TTS、ASR、LLM全部通过插件化方式实现，这样用户可以根据需要定制数字人形象。还加上了记忆模块，让定制的角色更生动、更有个性、更有“活人感”。

推进：从模型Demo做成完整应用

集成核心模型

经过将近3个月的迭代，CyberVerse现在集成了：

• FlashHead、LiveAct两个本地数字人模型
• 百度曦灵、讯飞数字人

这四个模型是目前开源和商用方案里效果最好的那一批。同时，CyberVerse也集成了OpenAI、千问、豆包等大模型，作为数字人的耳朵、大脑和声音。

结合Agent能力

受到OpenClaw和Hermes Agent的启发，我开始尝试将数字人与Agent结合起来。这样一来，数字人就不再只是一个陪你聊天的纸片人，而是能帮你干活的工具。

在Agent架构上，我采用了主Agent + SubAgent的两层设计：

• 主Agent：负责响应用户
• SubAgent：负责执行更复杂的任务

目前使用pi Agent作为SubAgent的核心——我喜欢它简洁且高扩展性的风格。

打造一站式工作台

最近又加上了离线视频生成功能，让CyberVerse更像一个一站式数字人工作台。角色选择、角色编辑、离线生成和实时通话都整合在同一个系统里。

只需要一张参考图，就能创建自己的角色。如果不需要数字人形象，也可以关闭数字人模块，把它当作纯语音Agent来用。

我一个人把它做到了什么程度

角色选择

进入CyberVerse后，能看到一个角色库。每张卡片对应一个数字人角色。

注：这里的角色仅用于Demo演示，不会随CyberVerse内置提供，也不用于商业用途。

角色编辑

角色编辑页可以设置形象来源、角色名称、角色描述、语音模型、人设风格等。

Workspace / 离线生成

CyberVerse支持离线视频生成，方便用户制作一些口播视频。离线视频生成最大的优势是不用考虑实时性，可以生成更高画质的视频，支持文本驱动和语音驱动。

实时通话

最后，也是这个项目最重要的功能——实时视频通话！这部分花费了大量精力处理：

• WebRTC
• 音画同步
• 待机视频与说话片段衔接
• 主Agent与SubAgent的协调

一个人做开源的真实体感

项目更新了两个多月，基本是一个人做，目前收到社区贡献的2个PR。

一个人做项目是什么感觉呢？就像一个人安静地弹一首钢琴曲，偶尔有人路过驻足聆听，不用急着赶下一首曲子，一切随心。

以前我也会在推文里说“欢迎大家提PR、提issue”，现在不再说这句话了——就这么慢慢悠悠地一个人开发也挺好。

定个小目标：把这个项目坚持更新一年。