虚拟形象唇同步视频消息生成

基于 VRM 虚拟形象生成唇同步视频消息，支持文字转语音后自动合成带表情动作的圆形视频笔记，适合个性化沟通与内容创作

基本信息

• 技能名称?Video Messages from your openclaw
• 中文名称?虚拟形象唇同步视频消息生成
• 作者?thewulf7
• 分类?专业技能
• 版本?0.1.2
• 标签?video-generation, avatar, tts, vrm, telegram, lip-sync, electron, ffmpeg

使用方法

使用说明
核心用法
Video Message 是一个将文字或音频转换为虚拟形象视频的技能，通过 VRM 格式的 3D avatar 实现唇形同步，输出为 Telegram 风格的圆形视频笔记。
典型工作流程 ：

1. 从 TOOLS.md 读取配置（avatar 模型、背景色/图）
2. 如有文字输入，先调用 TTS 生成音频
3. 使用 avatarcam 工具将音频与虚拟形象合成视频
4. 通过 message 工具以 asVideoNote=true 发送圆形视频
   配置灵活性 ：支持自定义 VRM 模型、纯色或图片背景，分辨率 384×384、30fps、H.264/AAC 编码，最长 60 秒。
   显著优点
   个性化表达 ：相比纯文字或语音，虚拟形象视频更具亲和力和辨识度
   自动化流程 ：TTS → 视频生成 → 发送全流程自动化，用户只需输入文字
   平台兼容 ：原生支持 macOS/Windows，Linux 通过 xvfb 无头渲染
   标准输出 ：采用通用 MP4 格式和 Telegram video note 规范，兼容性好
   潜在缺点与局限性
   依赖外部工具链 ：需同时安装 Node.js 包 @thewulf7/openclaw-avatarcam 和系统级依赖（ffmpeg、xvfb），配置复杂度较高
   性能开销 ：Electron 渲染 + FFmpeg 转码，处理时间约为音频长度的 1.5 倍
   Linux 限制 ：必须配置无头显示环境（xvfb），且 GPU 警告虽无害但可能干扰日志
   版权与形象权 ：使用第三方 VRM 模型需注意授权协议，商业场景存在合规风险
   功能边界 ：仅支持圆形视频笔记格式，如需标准矩形视频需额外配置
   适合人群
   需要为 Bot 添加人格化视频交互的开发者
   内容创作者寻求快速生成 avatar 口播视频
   Telegram 生态运营者，希望发送更具吸引力的消息格式
   常规风险
   临时文件管理 ：需在发送后手动清理 /tmp/video*.mp4 ，否则存在磁盘空间泄漏
   TTS 内容审核 ：合成语音的内容需前置过滤，避免生成不当言论视频
   模型安全 ：VRM 文件可能包含恶意脚本，建议仅使用可信来源的模型
   隐私披露 ：视频生成过程中的音频临时文件可能残留敏感信息