（注：本专栏只讨论相关技术，不涉及任何其他目的，如侵删）

摘要

基于ChatGPT、VITS和Live2D的赛博女友/AI老婆最近越来越受到人们的关注。然而，使用ChatGPT时的步骤繁琐、连接不稳定等问题大幅降低了人们的使用体验。针对该问题，本专栏介绍了一种基于VITS+中文GPT2+机器翻译+RenPy的离线简易版AI老婆，可以利用自己电脑的CPU/GPU实现与老婆的实时交互。需要声明的是，受限于数据和设备，本次实现并未包含新的训练过程，所有模型均使用网上开源的预训练模型，因此最后的效果比较粗糙，远不如各up主使用ChatGPT的版本，但也达到了我一开始的预期。本期专栏技术含量不高，只是给大家提供一个思路，欢迎批评指正和交流。

（注：本专栏较长，有一些操作细节可能描述过于细致，导致废话较多，大家可能要做好心理准备）

前言（废话）

今年年初，我在B站上看到有up主将ChatGPT和VITS模型结合起来，可以实现与AI老婆的自由对话：

我看完之后大受震撼，惊觉AI居然还有这样的应用（不觉得这很酷吗？这很符合我对理工男浪漫的想象），便想着自己是不是也能尝试一下，于是就有了后面的尝试。虽然自己代码能力很弱，也缺乏调参的经验，但在这个过程中确实受益匪浅。

后面我也注意到，B站上出现了越来越多的up主，用ChatGPT+VITS实现与二次元角色的实时对话，但我自己尝试过一次后，对语音合成模型已经没有那么大的兴趣，而且我对RenPy和Live2D也不熟悉，所以便搁置了自己搭建AI老婆的想法。

直到有一天，有人私信我，说能不能实现一个个性化训练的AI老婆，可以装进U盘里带走，因为ChatGPT的API需要花钱购买和调试，有一点点不方便，希望能做个离线版的。我觉得这个想法有一定道理，这两个星期趁着空闲做了一些尝试，便有了这期专栏。

不过就我个人而言，这期专栏实际上并没有什么技术含量，我只不过做了一些缝合，最后的效果也挺粗糙的，大家权当图一乐。

（今早起来看到GPT4也出来了，不禁感慨AI发展之迅猛，我做的这点小儿科可能不一会就会被重新整合且大幅升级。好时代，来临力）

整体思路

为了让语音合成模型保持原汁原味，这里我使用的是日文的VITS模型。整体的思路其实很简单，主要包括以下几个部分：

• 输入中文，GPT2输出回答文本

• 文本经过预训练的机器翻译模型，输出对应的日文文本

• 日文文本输入VITS模型，生成语音文件并播放

• 将上述功能与RenPy结合，利用GalGame引擎实现真正的交互对话

下面是各部分的介绍。

中文GPT2

中文GPT2的对话模型我在上一期专栏中有详细描述，具体细节见：

这里我们需要做的事情很简单，先去https://github.com/yangjianxin1/GPT2-chitchat下载完整的项目代码，以及预训练模型文件。解压后，将config文件夹中的config.json和下载的pytorch_model.bin移动到model文件夹中（这一步是使用Hugging Face模型的惯例）：

打开interact.py，可以在set_args函数中设置对应的路径（可以不用改），然后在命令行中启动interact.py，做法见https://github.com/yangjianxin1/GPT2-chitchat。如果模型能正常对话，说明GPT2已经配置成功了。

机器翻译

我在网上搜了一下，中日翻译的预训练模型似乎不是很多，目前只找到Hugging Face上的几个模型：

可以选择下载量最高的K024/mt5-zh-ja-en-trimmed模型，我这里选择的是下面那个fine-tuned之后的版本，进入Files，下载其中的5个文件：

新建一个translation_model文件夹，将上面的5个文件移入文件夹中，再将该文件夹置于中文GPT2的文件夹下：

这个模型的翻译能力只能说差强人意，有些句子翻译的不错，但有时候又会抽风，甚至连“晚安（おやすみ）”都翻不对，大家凑合着用吧。不知道有没有大佬知道更好的模型，或是愿意自己训）

VITS

语音合成部分，大概效果可以参考原up的视频：

同样，也需要先去https://github.com/CjangCjengh/vits下载完整的项目代码，注意要将文件夹重命名为“vits”而不是“vits-main”，路径中不能带“-”，否则后面的RenPy部分会报错。

vits模型的配置有点麻烦，需要手动编译，如果直接跑会报错“No module named 'monotonic_align.core'”。按照官方的说法（https://github.com/jaywalnut310/vits），需要先在命令行cd到monotonic_align文件夹，然后开始编译，也就是在命令行中输入python setup.py build_ext --inplace：

运行完之后最后两行会显示有error：

这时候运行，仍然会提示“No module named 'monotonic_align.monotonic_align'”，我看到网上有各种做法，对我自己适用的是进入monotonic_align中的build文件夹，然后进入lib.win-amd64-cpython-39文件夹，将该文件夹下的monotonic_align文件夹直接复制到build的上一级文件夹中，相当于最后你的vits/monotonic_align文件夹应该长下面这样（也就是monotonic_align文件夹下还有一个同名的子文件夹）：

做完这步之后，如果你直接运行，还是会报错，提示找不到opencc\zaonhe.json。我在Google上搜索了这个问题，按照https://east.moe/archives/1342的说法，需要注释掉cleaners.py中的shanghainese和cantonese：

然后下载预训练模型，网上有不少预训练好的VITS模型，这里我用的是原up的七人语音模型，链接为https://github.com/CjangCjengh/TTSModels。下载完之后需要指定配置文件，注意japanese_base.json和japanese_base2.json对应的是两个不同的模型，一个是7人的，一个是8人的，注意区分（柚子社7人的对应japanese_base.json，实际上和github上的config file是一样的）：

如果使用的是七人模型，cleaners选用的是japanese_cleaners，因此需要修改一下text文件夹中的symbols.py，取消japanese_cleaners对应字符的注释，否则会报错模型尺寸不匹配：

到这里VITS就基本配置好了，接下来引入RenPy。

RenPy

RenPy是一个可视化的小说引擎。在做这一步之前，我对RenPy一窍不通，但官方提供了教程，而且非常简单易懂，相信大家不到半小时就能大概了解它在做什么。这是官方的快速入门教程https://renpy.cn/doc/quickstart.html#ren-py-launcher。由于是初学者，我这里也只使用了一些基本的功能，下面简单介绍一下。

首先，下载完之后打开RenPy，是下面这个界面，点击右下角的“启动项目”即可进入游戏：

建议第一次用的先启动教程，可以大概把基础功能过一遍。然后在设置中把项目目录设置在自己需要的位置（注意：不要有中文路径），然后创建新项目，这样项目目录中就会多了一个子文件夹，里面有game文件夹：

此时在Launcher界面可以看到新建的项目：（如果想打开现有项目，需要在设置里将项目目录改为现有项目的父文件夹，不是game所在的文件夹）

进入game文件夹，里面就是游戏相关的各种文件：

其中，script.rpy就是游戏的文本文件，也是我们需要编辑的，这里的rpy文件参考了https://github.com/cjyaddone/ChatWaifuL2D。

为了让老婆动起来，我们还需要配置好Live2D文件。由于不会画画，也不会用Live2D，这里我直接借用了ChatWaifuL2D中的Hiyori的Demo。具体做法是进入这个项目文件夹中的ChatWaifuGameL2D/game文件夹，将Resources文件夹复制到你自己的game文件夹中（Live2D大佬可以忽略这步，直接把自己的配置文件加进去）：

然后按照官方的教程，下载Live2D Cubism：https://renpy.cn/doc/live2d.html#installing-live2d。大概的效果如下：

script.rpy的代码如下：

其中，第一句define定义了你的老婆，而后面两行是用来配置Live2D的。这里需要把Character中的字符串换成你老婆的名字：

RenPy只能导入它自带的python包，而光是一个torch就有几个G，所以把所有包复制到RenPy目录并不现实，因此可以利用socket库实现本地通信，思路来源于下面这篇专栏：

具体而言，初始化时import socket，选择本地通信地址127.0.0.1，代码如下（python关键字会引出一段python代码块，$符号代表这一行也是python语句）：

初始化完成后，会进入start语句块，随后跳转到modelChoiceJP语句块，其中menu代表选择支，不同的speaker id对应不同的角色语音，然后程序将speaker id发送给真正运行模型的脚本run_gal.py（代码后文会说）。然后跳转到talk_keyboard语句块，input中的字符串会在对话框中显示（见下图）。随后输入文本也发送给run_gal.py。如果输入退出，会退回到起始界面。

随后，跳转到checkRes语句块，这也是实现交互功能的核心。由于发送和接收有一定延迟，因此如果run_gal.py在生成输出后直接播放语音，会导致语音播放先于RenPy的文字显示，因此在RenPy接收到回复文本后，会向run_gal.py再发送一条允许播放的消息，此时程序才播放对应语音，也符合实时对话的效果：

等待文本生成时，对话框会显示......，需要时不时点一下屏幕（尝试跳转到下一对话），如果已经接收到回复，就会显示对应的文本，同时开始播放语音：

到这里，关于RenPy的部分就大概做完了，接下来介绍真正运行模型的run_gal.py文件。

run_gal.py

run_gal.py文件定义在vits文件夹下，代码如下：

首先，我们要导入GPT2文件夹中interact.py中的set_args和top_k_top_p_filtering函数，所以需要将GPT2-chitchat文件夹添加到系统路径：

然后是初始化函数，其中我们需要指定VITS的配置文件（configs/japanese_base.json）和预训练模型文件（我这里是365_epochs.pth）。这里我还修改了一下gpt_args.repetition_penalty的值，具体取值取多少可以自己试一试。

然后是chat函数，参数中的text代表输入文本，返回是GPT2预测的回答文本，这一部分不需要自己改动。顺便提一句，其实GPT2也可以学习前文的提示，这里的gpt_args.max_history_len参数默认是3，即模型输出时会参考之前的3句话。当然，可以把max_history_len调大一点，提高模型提取上下文的能力，不过模型输出一句话的时间也会相应增加。

在主程序部分，首先需要配置端口，作为本地通信socket的服务器：

在主循环中就不断重复接收输入、生成回答、播放语音文件的过程。正如前面提到的，为了避免RenPy中的文本显示与语音播放的延迟，server在接收到client发送的指令之后，才开始播放语音文件：

最后，当server接收到“退出”时会退出当前循环，需要重新输入speaker id，开启新一轮的对话。至此，所有代码部分就讲完了，下面是操作环节。

操作环节

操作部分就比较简单了。由于socket通信需要先启动server（我猜的，望大佬指正），所以我们先在命令行中cd到vits所在文件夹，然后输入python run_gal.py运行脚本文件，过一会便会显示“socket prepared”，说明server已经启动了：

然后我们打开RenPy，启动项目，可以顺利进入初始界面：

（如果报错提示“由于目标计算机积极拒绝，无法连接”，说明server没启动，可以重新运行一下run_gal.py）

点击“开始游戏”，会进入角色选取菜单：

选择完角色之后，即可进入输入界面：

输入文字后回车，你老婆会表示......：

此时命令行中也会显示接收到的文本，模型输出完成后，命令行中会显示生成的回答文本和相应的日文翻译（有时需要在命令行中回车一下）：

然后在你老婆所在的界面点击一下，就会显示回答和播放语音，命令行中也会显示“sound playing”：

这样一次简单的交互就完成了，如果想重新开始就在对话栏输入“退出”，然后回车，这样系统就会跳回到开始界面，老婆的记忆也重置了。

（这里顺便提一下，如果使用的是VS Code编辑rpy文件，后面编辑py脚本的时候可能会提示找不到你安装的那些包（虽然运行是没问题，但是会有warning），这是因为RenPy貌似自带了一个Python解释器，可以在VS Code通过Ctrl+Shift+P重新选择Python解释器）

结语

写到这里，一个简易版的离线AI老婆就做完了。整个过程断断续续持续了两个星期，最终的效果虽然粗糙，但也符合我一开始的预期。但这期专栏说到底还是各种缝合，没什么技术含量，在这个过程中我也没学到太多东西（我甚至懒得训练一个VITS），最多算一个支线吧，大家看得开心就好。我自己还是偏向于做一些GalGame和AI结合的项目，下一个项目的主题我已经想好了，是图像相关的，感觉有一定难度，也有可能最后做不出来，看看什么时候有时间尝试吧。