Show HN：实时唇形同步头像，让你的GPU代替你参加站立会议
一位开发者因朋友对强制开启摄像头政策不满，创建了ScrumSurvivor——一个开源的Windows应用，利用Wav2Lip技术实时生成逼真AI头像，替代真实摄像头画面。该应用完全本地运行，无需云服务，支持呼吸、眨眼等自然动作，并解决了音视频同步问题。
几个月前，一位朋友打电话向开发者抱怨：公司新实施了全体内部会议必须开启摄像头的政策。名义上是为了提高参与度，但实际上只是让大家每天多花45分钟盯着昏暗灯光下疲惫的面孔，听一个已经通过邮件发送过的PPT。这位朋友并非想逃避会议或偷懒——他每次都参加，被点名时会发言，也完成了自己的工作。他反对的是这种强制的“在场表演”——即认为摄像头对着脸就等于参与。
他问是否有巧妙的解决办法。于是，开发者花了几个周末的时间，最终推出了ScrumSurvivor——一个开源的Windows应用程序。它能够用基于用户照片生成的逼真AI头像实时替换摄像头画面。当用户说话时，Wav2Lip技术会根据实际语音同步嘴唇动作；当用户沉默时，头像会自然呼吸、眨眼并做出微小的头部晃动，所有这些动作都是程序化生成，而非循环播放。一切都在本地运行，使用消费级NVIDIA GPU，无需云端处理、无订阅、数据不离开设备。
ScrumSurvivor的工作原理是拦截摄像头和麦克风的数据流，进行处理后再发送给Teams等会议软件。视频方面，OBS虚拟摄像头为Teams提供1280×720分辨率、25帧每秒的画面，包含静态背景照片和动态头像层。音频方面，VB-Audio虚拟线缆创建了一个音频回环，应用程序处理后的麦克风音频延迟265毫秒写入，正好用于Wav2Lip推理。Wav2Lip接收80频段梅尔频谱图和96×96人脸区域，生成匹配音频的嘴唇动画。在RTX 3050笔记本GPU上，每帧推理约需20毫秒，足以达到25帧每秒。系统在启动时使用MediaPipe从基准照片中检测人脸，后续所有推理均使用固定裁剪区域，无需逐帧检测。
在用户未说话时，系统播放预先录制的短片段，并叠加四层独立程序化动画：呼吸（身体区域约0.25Hz的垂直摆动）、头部晃动（每轴两个独立正弦波组合，产生非重复微动）、眨眼（每4-8秒随机触发一次快速闭眼再睁开）以及模拟真实摄像头传感器的每像素高斯噪声。所有片段切换使用平滑过渡，无可见剪辑。开发者的一位朋友已使用数月，无人察觉异常。
音频同步是最具挑战的工程问题。Wav2Lip推理延迟约20毫秒，导致嘴唇滞后于声音。解决方案是延迟音频输出：AudioPresentationScheduler维护一个环形缓冲区，将传入麦克风音频块安排在恰好等于视频处理延迟的未来时刻写入虚拟线缆。此外，冷GPU启动时首次推理可能耗时1-2秒，因为NVIDIA驱动需编译JIT内核。解决方案是启动时进行预热循环，最多执行20次推理，直到推理时间稳定低于50毫秒。任何因CUDA初始化缓慢产生的音频积压，调度器会自动丢弃超过2秒的部分，避免永久性延迟。
开发者刻意未实现云端推理、实时面部替换或身份交换。头像始终是用户本人，基于其照片生成，且不模仿任何人。ScrumSurvivor以MIT许可证开源，仅支持Windows 10/11，需要支持CUDA的NVIDIA GPU（最低4GB显存），设置时间约1小时。