9 张嘴型图，让数字人跟着 TTS 说话
本文介绍了一种轻量级数字人口型同步方案：作者为英语陪练 App 制作了 6 个虚拟老师，每个角色仅需一张图片加约 0.5MB 素材，无需 GPU。核心是利用 Kokoro TTS 合成语音时天然携带的音素时长信息，将 44 个英语音素按视觉相似度合并为 9 种嘴型（viseme），生成时间轴通过响应头传递给前端。文章详细讲解了音素与视位的映射、音量修正停顿、LivePortrait 生成待机视频和嘴型图、以及 canvas 统一渲染等技术细节，实测嘴型偏差中位数约 0.1 秒，60 帧不掉帧。
