Show HN：即時唇形同步頭像，讓你的GPU代替你參加站立會議

幾個月前，一位朋友打電話向開發者抱怨：公司新實施了全體內部會議必須開啟攝像頭的政策。名義上是為了提高參與度，但實際上只是讓大家每天多花45分鐘盯著昏暗燈光下疲憊的面孔，聽一個已經透過郵件傳送過的PPT。這位朋友並非想逃避會議或偷懶——他每次都參加，被點名時會發言，也完成了自己的工作。他反對的是這種強制的“在場表演”——即認為攝像頭對著臉就等於參與。

他問是否有巧妙的解決辦法。於是，開發者花了幾個週末的時間，最終推出了ScrumSurvivor——一個開源的Windows應用程式。它能夠用基於使用者照片生成的逼真AI頭像即時替換攝像頭畫面。當使用者說話時，Wav2Lip技術會根據實際語音同步嘴唇動作；當使用者沉默時，頭像會自然呼吸、眨眼並做出微小的頭部晃動，所有這些動作都是程式化生成，而非迴圈播放。一切都在本地執行，使用消費級NVIDIA GPU，無需雲端處理、無訂閱、資料不離開裝置。

ScrumSurvivor的工作原理是攔截攝像頭和麥克風的資料流，進行處理後再傳送給Teams等會議軟體。影片方面，OBS虛擬攝像頭為Teams提供1280×720解析度、25幀每秒的畫面，包含靜態背景照片和動態頭像層。音訊方面，VB-Audio虛擬線纜建立了一個音訊迴環，應用程式處理後的麥克風音訊延遲265毫秒寫入，正好用於Wav2Lip推理。Wav2Lip接收80頻段梅爾頻譜圖和96×96人臉區域，生成匹配音訊的嘴唇動畫。在RTX 3050筆記本GPU上，每幀推理約需20毫秒，足以達到25幀每秒。系統在啟動時使用MediaPipe從基準照片中檢測人臉，後續所有推理均使用固定裁剪區域，無需逐幀檢測。

在使用者未說話時，系統播放預先錄製的短片段，併疊加四層獨立程式化動畫：呼吸（身體區域約0.25Hz的垂直襬動）、頭部晃動（每軸兩個獨立正弦波組合，產生非重複微動）、眨眼（每4-8秒隨機觸發一次快速閉眼再睜開）以及模擬真實攝像頭感測器的每畫素高斯噪聲。所有片段切換使用平滑過渡，無可見剪輯。開發者的一位朋友已使用數月，無人察覺異常。

音訊同步是最具挑戰的工程問題。Wav2Lip推理延遲約20毫秒，導致嘴唇滯後於聲音。解決方案是延遲音訊輸出：AudioPresentationScheduler維護一個環形緩衝區，將傳入麥克風音訊塊安排在恰好等於影片處理延遲的未來時刻寫入虛擬線纜。此外，冷GPU啟動時首次推理可能耗時1-2秒，因為NVIDIA驅動需編譯JIT核心。解決方案是啟動時進行預熱迴圈，最多執行20次推理，直到推理時間穩定低於50毫秒。任何因CUDA初始化緩慢產生的音訊積壓，排程器會自動丟棄超過2秒的部分，避免永久性延遲。

開發者刻意未實現雲端推理、即時面部替換或身份交換。頭像始終是使用者本人，基於其照片生成，且不模仿任何人。ScrumSurvivor以MIT許可證開源，僅支援Windows 10/11，需要支援CUDA的NVIDIA GPU（最低4GB視訊記憶體），設定時間約1小時。