[控场AI]
· 5 分钟阅读· 2,825 字

从零搭建大肥鱼AI直播间:DeepSeek+百炼TTS全流程

从零搭建大肥鱼AI直播间:DeepSeek+百炼TTS全流程

拆解B站爆火AI虚拟主播“大肥鱼”的搭建全流程与实操坑点。

本文基于B站UP主元宝的教程视频,拆解了一个能思考、会说话、有才艺的AI虚拟主播“大肥鱼”的完整技术链路。方案将“大脑—声音—身体”分别外包给DeepSeek API、阿里云百炼千问TTS Flash和即梦生成的三视图动作,再用OBS做直播总控。文章详细说明了API接入、人设改写、音色训练与四项配置、动作词库制作中的三大高频问题(走路漂浮、切换重影、尾巴穿模),以及OBS WebSocket的接入参数。作者指出资金门槛极低,真正的门槛在于动作工程的耐心和人设运营,并给出“先大脑、再声音、最后动作”的复刻顺序建议。

最近B站上一条“DeepSeek大肥鱼直播要饭”的视频火了——一条Q版金鱼娘在直播间挂着“我快要饿死了”的牌子,真有人给它刷礼物。UP主元宝把这10天的折腾经验做成了完整教程:从零搭建一个能思考、会说话、有才艺的AI虚拟主播。本文基于该视频素材,拆解背后的技术链路与实操坑点。

技术栈拆解:三条链路撑起一个主播

这套方案的本质,是把“大脑—声音—身体”三条链路分别外包给不同服务,再用一个直播软件做总控。

  • 大脑:DeepSeek广告官方API,官网充值后创建API Key,填入软件的“连接与回复”页,配置接口地址与模型名,测试回复正常即接通。
  • 声音:阿里云广告百炼平台的千问TTS Flash模型。注册后创建API Key,准备10到20秒干净录音,连同百炼API文档一起交给AI Agent(UP主用的是GPT)完成音色训练,拿到音色ID后回填业务空间ID、API Key、模型与音色ID。
  • 身体:用社区Q版女仆金鱼娘形象,丢给即梦换装改发型,再补正面、侧面、背面三张参考图,所有动作都基于这套参考生成。

让它能进行思考

值得留意的是成本结构:DeepSeek按token计费,百炼TTS调用费用“很低很低”,UP主建议先充一块钱体验。真正的时间成本不在钱上,而在动作调试。

DeepSeek API 与 Token 计费
DeepSeek 官方 API 采用按 token 计费的模式,token 是模型处理文本的基本单位,可粗略理解为“字/词片段”。输入(prompt)和输出(completion)都会消耗 token,不同模型单价不同。对于直播场景,每次弹幕回复都是一次独立的 API 调用,成本与回复长度、互动频率正相关。UP 主建议先充一元体验,正是为了在低风险下观察实际消耗速率。需注意 API Key 需妥善保管,泄露可能导致额度被盗刷。

TTS 与音色克隆
TTS(Text-to-Speech)即文本转语音,千问 TTS Flash 是阿里云百炼平台提供的低延迟语音合成模型。音色克隆(voice cloning)通过分析 10–20 秒的干净录音,提取说话人的音色特征并生成可复用的音色 ID。训练样本要求干净、无背景音乐、语速平稳,否则克隆出的音色可能带有杂音或情感偏差。克隆音色在直播中实时合成语音,延迟直接影响互动体验,因此选择 Flash 这类低延迟模型很关键。

OBS WebSocket 远程控制
OBS 是常用的直播推流软件,WebSocket 是其提供的远程控制接口。启用后,外部程序可通过 127.0.0.1:4455 连接 OBS,实现场景切换、源显隐、音频控制等操作。本文中虚拟主播软件通过该接口自动配置 OBS,省去手动操作。密码留空表示 OBS 未设置认证,仅建议在本机环境使用,公网暴露有安全风险。

人设与语音:让“DeepSeek”变成“金鱼娘”

API接通后的第一个问题很典型:问它是谁,它会一本正经介绍自己是DeepSeek。解决办法是在软件的“主播人设”页写入人物设定,把它从通用助手扭成一个有性格的主播。这一步决定了后续弹幕互动的质感——人设写得越具体,回复越不像客服。

语音链路的细节更多。百炼平台左下角进入API Key管理,右上角创建Key时按实际用途写描述,创建完成后下载密钥。录音样本要求干净、10到20秒即可,训练出的音色UP主试听后评价“吐字清晰、软软的”。

接下来我们试听一下

语音页需要填四项:业务空间ID、API Key、模型、音色ID。音色状态显示OK后才能保存。这四项任一填错,表现都是“不说话”或“报错”,排查时建议逐项对照平台后台。

动作与直播接入:最容易翻车的环节

UP主明确说,动作词库是整套流程里最容易翻车的地方。做法是用三视图去即梦生成待机、说话、挥手、比心、跳舞等动作,再上传到动作词库并填写触发词——观众发“跳舞”,它就调对应片段。

三个高频坑:

  1. 走路漂浮:腿没动、鱼在飘。解法是拆成起步、迈步、收步几段分别切入。
  2. 切换重影:切动作时冒出两个半透明的它,需要对姿势重新找切入点,别硬加淡入淡出。
  3. 尾巴穿模:尾巴要盯紧,不要穿膜、不要跑出画面。

此外UP主还接入网页云,扫码登录后弹幕发“点歌+歌名”就能张嘴唱歌;设置了随机待机动作,空闲时自己找事做;甚至能把它拎起来放到不同位置,晃两下还会“晕”。

我还给他设定了随机待机的动作

直播接入环节:填好要连接的直播间,把人物、名牌、气泡拖到合适位置;打开OBS并启用WebSocket服务器;回到软件展开“启动与音频输出设置”,勾选“启动时连接已填写的直播间”和“启动时连接并配置OBS”;OBS地址填127.0.0.1,端口4455,密码留空,软件会自动使用本机OBS配置。确认画面和声音正常,主播即可上岗。

进入后点击左下角的API-K

三视图与动作生成的一致性
三视图(正面、侧面、背面)是角色建模与动作生成的基础参考。即梦等 AI 生图工具在生成动作帧时,会以参考图保持角色外观一致,但不同角度、不同姿势下仍可能出现比例漂移或服饰细节变化。动作词库的触发词机制类似“关键词→动画片段”的映射,观众发送“跳舞”即匹配对应片段。为保证切换自然,每个动作的起始与结束姿势应尽量对齐待机姿势,否则会出现跳跃感或重影。穿模(如尾巴穿过身体)通常因 3D 层叠关系错误或生成帧的深度信息不一致导致,需逐帧检查或重新生成。

这套方案的真实门槛在哪

从素材看,资金门槛极低——DeepSeek充值加百炼一块钱体验,API调用费用被UP主形容为“极低”。真正的门槛是动作工程的耐心:参考图一致性、动作切分、穿模修正,每一项都需要反复试。10天的折腾周期里,大部分时间大概率花在这里。

另一个隐性成本是人设与内容运营。技术链路只保证“能播”,能不能留住观众取决于人设是否有趣、弹幕互动是否有梗。大肥鱼能火,靠的不只是TTS和API,而是“快饿死了”这个梗本身。

对想复刻的开发者,建议顺序是:先跑通大脑(API回复正常)→ 再接声音(试听通过)→ 最后啃动作和OBS。前两步一小时内能完成,第三步才是长期工程。

本文技术细节均来自B站UP主元宝的公开教程视频,未做额外参数补充。遇到问题可在原视频评论区反馈。

#AI虚拟主播#DeepSeek API#百炼TTS#OBS虚拟直播#AI直播间搭建#音色克隆#动作词库
分享:

相关推荐