行业背景
当前桌面端数字人应用普遍存在能力碎片化问题，不同功能模块往往需要对接多个独立工具，用户需要手动完成多套配置流程，跨服务的数据同步成本极高。多数同类应用仅支持单一类型的数字人渲染格式，模型自定义空间受限，且底层推理能力高度绑定特定服务提供商，无法灵活适配不同用户的本地部署或第三方服务接入需求。
面向游戏场景的AI交互功能大多以独立插件形式存在，不同游戏的适配逻辑相互独立，无法复用通用的对话、语音识别、语音合成能力，二次开发的适配成本居高不下。普通用户很难在不编写大量粘合代码的前提下，快速搭建出具备完整听觉、发声、动作反馈、多场景交互能力的自托管AI数字生命实例。
这类需求此前始终没有得到统一的解决方案，大量零散的开源组件需要开发者自行整合调试，普通用户的上手门槛被抬升至极高水平，很难低成本获得可直接运行的完整数字人交互体验。
项目概述
该项目核心定位为可完全自托管的Neuro-sama风格AI伴侣与赛博生命容器，所有核心能力模块均围绕数字生命的完整运行逻辑设计，覆盖从底层模型推理到上层多场景交互的全链路实现。项目采用模块化设计思路，所有能力点均可独立配置开关，用户无需修改核心代码即可完成全链路的自定义调整。
项目原生提供桌面端运行程序，同时兼容浏览器端运行形态，所有配置项均通过可视化界面完成操作，无需手动编辑复杂的配置文件。项目内置的能力矩阵覆盖数字生命运行所需的全部基础组件，从底层的音频处理管线到上层的角色意识模型均有对应实现。
技术架构深度分析
项目采用monorepo架构组织所有代码资源，所有核心模块在同一个代码仓库内统一管理，不同功能模块之间通过标准化接口完成交互，模块间的耦合度被控制在极低水平。根目录的package.json定义了统一的依赖管理规则，所有子模块的版本迭代均可同步推进，避免了多仓库开发场景下常见的依赖版本冲突问题。
核心代码按照能力领域划分为多个独立子仓库目录，其中provider-inference模块负责所有大语言模型与服务源的适配逻辑，pipelines-audio模块封装全部音频输入输出的处理管线，core-agent与core-character模块分别实现意识调度逻辑与角色领域模型。这种划分方式让不同能力的迭代互不干扰，新增一类服务提供商或者新增一种游戏适配能力时，仅需要修改对应目录下的代码即可完成开发。
架构层面同时支持三种运行形态，分别是原生桌面端应用、纯浏览器运行实例、服务侧部署实例。三种形态共享同一套核心业务逻辑，仅需要针对不同运行环境的系统API差异做少量适配，大幅降低了多端同步更新的维护成本。桌面端形态可以调用系统级的窗口控制、音频输入输出、托盘交互能力，纯浏览器形态可以直接利用WebGPU资源完成本地模型推理，服务侧形态可以对接各类即时通讯平台的开放接口。
记忆层架构采用分层设计，底层默认集成纯浏览器内的DuckDB WASM与pglite数据库，无需额外部署独立的数据库服务即可完成对话记忆的持久化存储。更高阶的Alaya记忆层处于施工阶段，后续上线后可支持更复杂的长期记忆关联与上下文召回逻辑。所有记忆相关的操作均通过统一接口对外暴露，上层业务逻辑无需关心底层存储引擎的具体实现细节。
整个架构的服务源适配层由xsai组件统一驱动，所有大语言模型、语音识别、语音合成、文生图服务的接入逻辑均遵循同一套接口规范。新增一类服务提供商时仅需要按照规范实现对应的请求封装与响应解析逻辑，上层的所有业务能力无需做任何修改即可直接调用新增的服务，这也是项目原生支持数十种LLM服务的核心技术基础。
核心功能详解
可视化控制岛交互
首次启动应用时会弹出说明引导，所有核心交互操作均通过悬浮在桌面最上层的控制岛完成。角色窗口被遮挡难以唤回控制界面时，将光标移动到控制岛附近点击眼睛图标即可快速恢复交互界面，无需重启整个应用。控制岛右下角设置专门的移动拖拽按钮，用户可直接拖动按钮将角色窗口移动到屏幕任意位置，不会误触角色模型触发不必要的交互动作。
多模式窗口适配
Windows系统环境下可直接拖拽窗口边缘调整角色窗口的尺寸大小，托盘菜单内置推荐高度、最大高度、半高、全屏等多套预设尺寸选项，用户点击即可一键切换窗口大小。托盘对齐菜单提供多个快速定位选项，可直接将窗口摆放到屏幕中央或者四个角落的指定位置，无需手动拖拽调整对齐。所有窗口状态参数会自动持久化保存，下次启动应用时直接恢复到上次退出时的窗口位置与尺寸。
全维度自定义配置系统
所有配置项均通过系统托盘弹出的可视化设置界面完成操作，支持修改主题色、切换2D或3D渲染模型，设置界面包含的配置项覆盖所有可自定义的能力维度。服务源配置页面支持新增与编辑聊天、语音合成、语音转写、文生图四类服务提供者，身体模块配置页面可单独为意识、发声、听觉、视觉、记忆、第三方平台对接等不同能力分别指定对应的服务提供者。角色模型页面支持直接切换Live2D或VRM格式的模型文件，也可导入用户自行制作的自定义模型，AIRI角色卡页面支持切换或新建当前活跃的角色实例，系统设置页面可调整语言、数据统计开关、桌面端专属功能等全局参数。
双格式数字人渲染支持
项目同时支持Live2D格式的2D模型与VRM格式的3D模型渲染，内置自动眨眼、自动注视、空闲眼球移动等默认动画逻辑，导入符合格式规范的模型后无需额外配置即可自动触发对应的动作反馈。导入VTuber Studio打包的ZIP格式模型前，需要预先移除压缩包内的items_pinned_to_model.json文件，否则项目使用的Live2D渲染库无法正常识别模型资源。当前版本存在已知缺陷，模型加载后的场景重载功能无法按预期工作，修改模型相关配置后需要重启应用才能让新设置生效。
全链路音频能力矩阵
音频输入侧支持浏览器音频输入、Discord平台音频输入、客户端本地语音识别、客户端说话状态检测功能，可实时捕捉环境语音信号并转译为文本内容。音频输出侧原生支持多类语音合成服务，覆盖ElevenLabs、微软Azure Speech、OpenAI兼容TTS接口、阿里云百炼以及本地Kokoro TTS等多种选项，用户可根据自身网络环境与部署需求自由选择对应的语音合成服务。所有音频处理逻辑均在本地客户端完成，不需要将音频流上传到第三方中间服务，音频数据的隐私性可以得到有效保障。
超大规模LLM服务原生适配
由xsai组件驱动的大语言模型适配层原生支持数十种主流与国产大模型服务，覆盖OpenRouter、OpenAI、Azure OpenAI、Anthropic Claude、DeepSeek、通义千问、Google Gemini、xAI、Groq、Mistral、Ollama、vLLM、SGLang、Cloudflare Workers AI、Together.ai、智谱、硅基流动、阶跃星辰、百川、Minimax、月之暗面、魔搭社区、腾讯混元等绝大多数市面常见服务。配置流程仅需要选择对应的服务提供者、填写API密钥、选择对应模型三个步骤，绝大多数场景下不需要自行搭建中间层服务即可直接完成对接。AWS Claude、讯飞星火、火山引擎豆包等服务目前处于待支持列表，后续版本更新会逐步完成适配接入。
多场景交互能力扩展
项目已经提供Minecraft、Factorio、坎巴拉太空计划的游玩PoC验证演示，用户可以通过配置让AI实例直接接入对应游戏的运行逻辑，完成游戏内的交互操作。Helldivers 2协作游玩功能目前处于开发推进阶段，后续上线后可实现AI与玩家共同完成游戏任务的交互体验。即时通讯平台侧已经实现Telegram与Discord平台的聊天对接，AI实例可以直接在对应平台内响应用户发送的消息，无需额外开发对接插件。文件系统能力正在开发中，后续可将应用状态、开发环境、游戏状态等多维度上下文自动接入对话流程，让AI响应内容与当前运行场景深度绑定。
项目地址：https://gitee.com/mirrors/Project-AIRI
🔍 来源：Gitee
data collection and training pipeline - February 16, 2026 DevLog @ 2026.01.01: AIRI Pocket and FlowChat memory experiments - January 1, 2026 DevLog @ 2025.10.20: Electron migration, new models, and Mo
微信扫一扫，打赏作者吧～
网友评论