Open WebUI 是目前最流行、功能最丰富的本地大模型 Web 界面之一，它将 Ollama（或其他兼容 API）的服务封装成一个类似 ChatGPT 的用户界面，极大地提高了本地使用大模型的体验。

一、 Open WebUI 的安装

Open WebUI 的安装方式有多种，其中最推荐和最常用的是使用 Docker 和 Python/Pip。

前提条件
已安装 Ollama 并确保其正在后台运行（默认监听端口为 11434）。

已安装 Docker (推荐方式) 或 Python 3.11/3.12 (Python 方式)。

方式一：使用 Docker (推荐，最简单快捷)

这是最稳定的安装方式，它将 Open WebUI 隔离在一个容器中，避免了依赖冲突。

运行 Docker 命令： 在命令行（Terminal 或 PowerShell）中运行以下命令。

对于没有 GPU 的环境 (CPU 或集成显卡)：

Bash

docker run -d -p 3000:8080 -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
对于带有 NVIDIA GPU 的环境 (需要先安装 NVIDIA Container Toolkit)：

Bash

docker run -d -p 3000:8080 --gpus all --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:cuda
注意：

--add-host=host.docker.internal:host-gateway 确保容器内的 WebUI 能正确连接到运行在宿主机（你的电脑）上的 Ollama 服务。

-p 3000:8080 表示通过你电脑的 3000 端口访问 WebUI。

访问 WebUI： 打开你的浏览器，访问地址：http://localhost:3000。

方式二：使用 Python/Pip (无需 Docker)

如果你不想使用 Docker，可以直接通过 Python 包管理器安装。

安装 Open WebUI：

Bash

pip install open-webui
启动服务：

Bash

open-webui serve
访问 WebUI： 打开你的浏览器，访问地址：http://localhost:8080。

二、 Open WebUI 的首次配置与使用

1. 首次登录与账户创建

第一次访问 http://localhost:3000 或 http://localhost:8080 时，系统会要求你创建一个本地用户账户（用户名、邮箱和密码）。

这个账户是本地的，用于管理你的聊天记录、设置等。

2. Ollama 连接 (通常是自动的)

如果你是按照上述 Docker 或 Python 步骤安装的，Open WebUI 会自动尝试连接到你本地运行的 Ollama 服务 (默认地址 http://localhost:11434)。

如果连接失败或 Ollama 运行在其他地方：

登录后，点击左下角的用户头像，进入 Admin Settings (管理设置)。

导航到 Connections (连接) 区域，找到 Ollama。

确保 Ollama API URL 被正确设置为 Ollama 服务实际运行的地址和端口 (例如：http://10.0.2.2:11434 或 http://host.docker.internal:11434 或你自定义的地址)。

3. 模型管理与下载

下载模型：

进入 Admin Settings (管理设置) -> Connections (连接) -> Ollama -> Manage (管理)。

在这里，你可以查看本地已安装的模型，也可以输入模型名称（如 llama3:8b）来直接下载和安装 Ollama 仓库中的模型。

快捷方式： 在聊天界面的模型选择下拉框中，直接输入你想要的模型名称，如果本地没有，WebUI 会提示你下载。

一、下载olama

项目地址：https://github.com/ollama/ollama
widows下载安装包：https://ollama.com/

安装完olama模型之后，给olama一个运行界面

1、可以使用open-webui来为olama提供一个访问界面
2、如果你想要一个可视化的运行界面，通常有以下几种主流的方式：

使用第三方 Web UI (推荐) 这是目前最流行和推荐的方式。社区开发了许多优秀的 Web 界面，你可以安装它们来管理模型、进行聊天等。其中最著名和常用的一个例子是：

Ollama Web UI (通常在 GitHub 上搜索 ollama-webui 就能找到)。

功能： 提供聊天界面、模型管理、聊天记录、多模型切换等功能。

安装： 通常通过 Docker 或直接安装脚本来部署。

使用桌面客户端 一些开发者将 Ollama 的功能集成到了桌面应用程序中，使其更方便使用。

例如，一些项目可能会提供 macOS、Windows 或 Linux 的桌面应用，集成了 Ollama 的服务和聊天界面。你可以搜索 Ollama desktop application 或 Ollama GUI 来寻找。

集成到其他应用程序 如果你在使用像 Jan、LM Studio 或其他一些本地 AI 聊天工具，它们可能支持连接到本地运行的 Ollama 服务，并将其作为模型来源。

总结步骤：

确保 Ollama 服务正在后台运行 (这是使用任何界面的前提)。

选择并安装一个 Web UI (如 Ollama Web UI) 或桌面客户端。

配置 Web UI/客户端，让它连接到你本地 Ollama 默认监听的地址和端口 (通常是 http://localhost:11434)。

提示： 对于新手用户，Ollama Web UI 是一个很好的起点，因为它功能强大且社区活跃。

在本地搭建一个生成“数字人”（通常指可以说话、动嘴、甚至有表情的虚拟人物视频）的项目，主要涉及到“会说话的头像生成”（Talking Face Generation）技术。

最常见和成熟的本地开源方案是基于 深度学习模型，如 Wav2Lip 及其衍生项目。

以下是本地搭建一个基本数字人项目的通用步骤和所需的关键技术栈：

方案：基于 Wav2Lip 或类似项目

Wav2Lip 是一个非常流行的开源项目，它能将任意人脸视频和一段音频结合，生成一个嘴型与音频同步的新视频。

关键技术栈
编程语言： Python (必需)

深度学习框架： PyTorch 或 TensorFlow

环境管理： Conda 或 venv (强烈推荐)

硬件要求： 最好有一块 NVIDIA 独立显卡 (GPU)，因为深度学习模型的推理速度在 GPU 上会快很多。

本地搭建步骤

步骤 1: 准备开发环境

安装 Python： 确保安装了 Python 3.6 - 3.9 版本（具体版本取决于你选择的开源项目要求）。

安装 Conda 或创建虚拟环境：

Bash

使用 Conda 创建环境（推荐）
conda create -n digital_human python=3.8
conda activate digital_human
安装 PyTorch/TensorFlow： 根据你的 GPU 类型和操作系统，安装对应版本的深度学习框架，并确保它能使用 GPU (如果需要)。

步骤 2: 下载开源项目代码

克隆代码仓库： 以 Wav2Lip 为例，你需要找到它的 GitHub 仓库并克隆到本地。

Bash

git clone [项目GitHub地址]
cd [项目文件夹]
安装依赖： 进入项目文件夹，安装 requirements.txt 中列出的所有依赖库。

Bash

pip install -r requirements.txt

步骤 3: 下载预训练模型权重

下载模型文件： 深度学习项目通常需要预训练的权重文件（.pth 或 .pt），这些文件通常很大。项目 README 中会提供下载链接（如 Google Drive 或 Baidu Netdisk）。

放置文件： 将下载的权重文件（例如 wav2lip.pth）放置到项目指定的目录下（通常是 checkpoints 或 models 文件夹）。

步骤 4: 准备素材

你需要准备两样东西：

视频 (Video)： 包含目标数字人脸部的视频文件（例如 input_face.mp4）。

音频 (Audio)： 包含你希望数字人说的内容的音频文件（例如 input_audio.wav 或 input_audio.mp3）。

步骤 5: 运行生成脚本

运行推理命令： 项目通常会提供一个 Python 脚本（例如 inference.py 或 generate.py）来执行生成任务。你需要传递输入视频、音频和输出文件的路径。

一个典型的命令可能如下所示：

Bash

python inference.py --face "path/to/input_face.mp4" --audio "path/to/input_audio.wav" --outfile "path/to/output_video.mp4"
等待生成： 程序会加载模型，处理视频帧，并生成嘴型同步的新视频文件。

其他进阶方向（非 Wav2Lip）

如果你想生成更复杂的数字人（例如可以控制头部姿态、肢体动作或全身模型），你可能需要探索以下技术方向：

全身数字人： 涉及 3D 建模、骨骼绑定（Rigging）和动作捕捉（Motion Capture）数据。通常需要使用 Blender、Unity 或 Unreal Engine 等专业工具。

高精度肖像生成： 结合 StyleGAN 或 Stable Diffusion 等扩散模型生成逼真的静态人脸，再用 Wav2Lip 等技术使其说话。

NeRF (神经辐射场)： 用于生成特定场景下的高逼真度 3D 模型和视图，但计算资源要求极高。

一、到github上git下项目并用pycharm打开

网址：https://github.com/ihmily/DouyinLiveRecorder

二、windows安装ffmpeg

网址：https://www.gyan.dev/ffmpeg/builds/

安装并设置ffmpeg

要在 Windows 上安装 FFmpeg，您不需要运行传统的安装程序，只需下载预编译好的文件，然后将其路径添加到系统的环境变量 (PATH) 中即可。

以下是详细的步骤：

第一步：下载 FFmpeg 文件
访问下载页面： 访问 FFmpeg 官方推荐的 Windows 预编译版本下载网站。

推荐访问 Gyan.dev FFMPEG Builds 页面。

选择版本： 在该页面找到 "release builds"（发布版本）部分。

推荐下载： 找到 ffmpeg-release-full.7z 或 ffmpeg-release-essentials.7z（Essentials 版本已经足够日常使用）。

注意： 文件格式是 .7z，您可能需要安装 7-Zip 或其他解压工具来解压它。

下载并解压：

下载 .7z 文件。

使用解压软件将其解压到一个您容易找到且不会随意删除的位置，例如：C:\FFmpeg。

解压后，文件夹结构通常是 FFmpeg\bin。请记住 bin 文件夹的完整路径。

示例路径： C:\FFmpeg\bin

第二步：配置环境变量 (PATH)
这一步是为了让您可以在任何命令行窗口（CMD 或 PowerShell）中直接运行 ffmpeg 命令，而不需要每次都切换到其所在目录。

打开环境变量设置：

在 Windows 搜索栏中输入 “环境变量”。

选择 “编辑系统环境变量”（或“编辑账户的环境变量”）。

在弹出的“系统属性”窗口中，点击右下角的 “环境变量” 按钮。

编辑 Path 变量：

在“用户变量”（User variables for [您的用户名]）或“系统变量”（System variables）框中，找到并选中名为 Path 的变量。

点击 “编辑”。

添加 FFmpeg 路径：

在弹出的“编辑环境变量”窗口中，点击 “新建”。

粘贴您在第一步中记住的 bin 文件夹的完整路径。

例如： C:\FFmpeg\bin

连续点击 “确定” 关闭所有窗口以保存更改。

第三步：验证安装
打开命令提示符 (CMD)：

按下 Win + R，输入 cmd，然后按 Enter 键打开命令行窗口。

重要： 确保您打开的是一个新的 CMD 窗口，以便系统能够加载新的环境变量。

运行测试命令：

在命令行中输入：

Bash

ffmpeg -version
检查结果：

如果安装成功，命令行窗口将显示 FFmpeg 的版本信息、编译选项等详细内容。

如果显示 “‘ffmpeg’ 不是内部或外部命令，也不是可运行的程序或批处理文件。”，则表示 PATH 路径未设置正确，请返回第二步检查路径是否准确。

完成以上步骤后，您就可以在 Windows 上通过命令行使用 FFmpeg 强大的音视频处理功能了

三、设置并运行程序

1、在项目中找到 config 文件夹内的 URL_config.ini 中添加录制直播间地址，一行一个直播间地址。如果要自定义配置录制，可以修改config.ini 文件，推荐将录制格式修改为ts。
2、用fiddler抓包工具抓取抖音的coockie中的字段ttwid。ctrl+f搜索即可获得，并修改到config.ini中
3、运行main.py即可录制抖音直播的视频了。

  1. 1
  2. ...
  3. 25
  4. 26
  5. 27
  6. 28
  7. 29
  8. 30
  9. 31
  10. ...
  11. 51