技术栈：
ASR (Automatic Speech Recognition): FunASR LLM (Large Language Model): Qwen End-to-end MLLM (Multimodal Large Language Model): GLM-4-Voice TTS (Text to speech): GPT-SoVITS, CosyVoice, edge-tts THG (Talking Head Generation): MuseTalk
本地部署：
级联方案(ASR-LLM-TTS-THG)：约8G，首包约3s（单张A100）。 端到端语音方案(MLLM-THG)：约20G，首包约7s（单张A100）。
自定义数字人：
自定义数字人形象
在
/data/video/中添加录制好的数字人形象视频修改
/src/thg.py中Muse_Talk类的avatar_list，加入(形象名, bbox_shfit)，关于bbox_shift的说明参考这个链接在
/app.py中Gradio的avatar_name中加入数字人形象名后重新启动服务，等待完成初始化即可。
自定义数字人音色
GPT-SoVits支持自定义音色。demo中可使用音色克隆功能，上传任意语音内容的参考音频后开始对话，或将音色永久添加到demo中：
在
/data/audio中添加音色参考音频，音频长度3-10s，命名格式为x.wav在
/app.py中Gradio的avatar_voice中加入音色名（命名格式为x (GPT-SoVits)）后重新启动服务。TTS选型选择
GPT-SoVits，开始对话
