05/PROOF技术验证
方案是否可行，
数据回答。
ENVRTX 4060 · 8GB/ local
创新组评审最关心的是方案是否可行；商家对数字人最大的关切是「效果能否真实可用」。以下数据全部来自本团队在自有设备上的实际测试。
01/实测清单 · CHECKLIST
八项验证，
全部有数据。
从语音合成、音色克隆、情绪控制，到弹幕问答闭环、事实校验与合规标识——前三项能力（说话像真人、答得上问题、守得住规则）的完整链路已在本地跑通。
0.000
Voice Similarity
以真人录音为参考音频克隆音色。
0.00GB
Model Weights
IndexTTS 2.5 本地部署，模型权重体积。
0–0秒
Per Utterance
24 字左右应答句，含模型预热后的稳态速度。
0/ 8
Items Passed
验证项全部完成，无未通过项。
| 验证项 | 实测结果 | 说明 |
|---|---|---|
| 语音合成是否跑通 | 已完成 | IndexTTS 2.5 本地部署，模型权重 5.11 GB |
| 音色克隆 | 相似度 0.986 | 以真人录音为参考音频克隆音色 |
| 情绪控制 | 有效且音色保持 | 改用情绪参考音频后相似度维持 0.986 |
| 弹幕问答闭环 | 已完成 | 弹幕进入到数字人开口的完整链路 |
| 单句合成耗时 | 3 至 6 秒 | 24 字左右的应答句，含模型预热后的稳态速度 |
| 端到端响应 | 约 15 秒 | 含大模型生成与语音合成，适用于预生成场景 |
| 商品事实校验 | 已实现 | 模型仅输出占位符，价格由商品库替换 |
| 合规标识 | 已实现 | 画面标识与元数据标识同步 |
表 5 · 已完成的技术验证项目与实测数据。
02/延迟路线 · LATENCY ROADMAP
15 秒到 5 秒，
没有原理性障碍。
当前端到端响应约 15 秒，还不能满足实时插话的要求；但占直播时长约九成的讲解由预生成片段承担，不涉及实时延迟。实时应答用于弹幕问答等非即时场景，当前速度可以接受。
LATENCY ROADMAP · 响应压缩路线下一阶段技术重点
NOW端到端约 15 秒 · 大模型生成 + 语音合成（非流式）
STEP 1流式语音合成首包音频提前输出，边合成边播放
STEP 2实时口型驱动降低口型推理延迟，提升并发表现
TARGET端到端< 5 秒 · 方案设计上不存在原理性障碍
交叉验证
一线运营访谈中提到的「约 10 秒时差」与本项目实测的约 15 秒处于同一量级，说明该延迟来自当前主流技术路线，而不是本项目实现上的偏差。
03/验证环境 · ENVIRONMENT
一块消费级显卡，
跑通全部链路。
项目现阶段运行在团队自有设备上，没有产生现金支出——这也说明这套方案的资金门槛很低，在校团队凭自有设备就能完成技术验证。
测试环境 · Test Rig
- 显卡RTX 4060 Laptop · 8 GB
- CUDA12.8
- PyTorch2.8.0
- 语音模型IndexTTS 2.5 · 5.11 GB
下一步验证 · Next
- 两到三路直播间并发云显卡验证
- 一次性验证预算约 300 – 500 元
- 云显卡价格口径约 1.5 元 / 小时
算力的资金需求不足千元；真正制约进度的不是钱，而是能否拿到真实的服装企业场景（见 发展规划）。