一个可用的数字人，需要同时完成接收语音、理解问题、生成回答和播放声音。CyberVerse 将这些能力组织为实时 Agent 框架，通过 WebRTC 进行交互，提供可替换的语音、模型和数字人模块。当前项目说明还包含角色记忆、知识检索，以及纯语音和可选视频数字人的配置路线。（项目说明）
先让纯语音链路稳定工作
第一阶段可以只准备一个简单角色和几道固定问题，不急着加载人物视频模型。检查麦克风输入是否清楚、识别是否正确、回答能否完整播放，以及连续追问时是否保留了必要上下文。
把一次对话拆成几段观察：说完后等待多久、回答生成是否卡顿、播放是否被打断。总延迟可能来自网络、识别、模型或语音合成，分开检查才能找到真正需要调整的部分。
给角色一个有限且可验证的任务
例如为一个演示产品解释功能，只提供已经确认的介绍资料，并要求遇到未知问题明确说明。使用一组包含常见问题、模糊问题和资料外问题的样例，检查它是否会编造答案。
导入知识资料之后，还应验证检索内容是否与问题相关。回答看起来符合角色语气，并不意味着事实正确；人物设定和知识依据应分别维护。
再加入人物形象和视频输出
语音流程稳定后，再根据项目支持情况选择本地或外部数字人方案。纯语音场景与本地视频模型对硬件的要求不同，不应把某个视频模型的 GPU 条件当成所有用法的门槛。
检查视频时，既要看口型与声音，也要看停顿、打断和恢复时是否自然。适合先做几轮短对话，再连续运行更长时间，观察资源占用和音画是否逐渐不同步。
从演示走向实际使用还缺什么
需要补上服务异常时的提示、会话记录管理、并发限制和费用观察。对于公开交互，还应让用户知道自己正在与 AI 交流。是否达到目标，应由真实任务的回答正确率和交互稳定性判断；一个流畅的展示视频，只能证明特定样例下的效果。
一起聊聊
留下你的想法，评论审核通过后展示。