格子间以下 第八章
格子间以下
八、倒计时
七月三十一日，周五，上午六点四十七分。
张伟趴在桌上睡着了。
他的脸颊压在一叠A4纸旁边，纸张边缘被呼出的热气润湿，微微卷曲。电脑屏幕还亮着，停在代码编辑器的界面上，最后一行光标在闪烁，像一颗快要熄灭的心。
他只睡了二十分钟。
二十分钟前，他刚刚完成了一轮唇形同步的优化。他把学习率往上提了0.5个百分点，让模型在训练时更”大胆”一些，尝试更精确地拟合方瑶的发音习惯。
优化后的效果比之前好了不少——唇齿过渡更平滑了，嘴巴张合的幅度也更接近真人了。
他发给方瑶一个测试片段，等了十五分钟，没有回复。他看了一眼时间，知道她可能还没醒——毕竟才早上快七点。
他实在撑不住了，脑袋往桌上一趴，就睡着了。
然后手机响了。
他猛地惊醒，下意识地摸向手机——屏幕上显示的是一个陌生号码，上海本地的。
他犹豫了一下，还是接了。
“喂？”
“张伟？“电话那头是一个男声，中年，带着一点疲惫的沙哑。
“是我。您是……？”
“我是周哥的朋友，姓林。林志远。你可能没听说过我，但周哥跟我提过你。”
张伟一下子清醒了。
周哥的朋友？早上七点打电话过来？
“林哥，您好。“他坐直了身子，“周哥跟您说我的事了？”
“说了。“林志远的声音不紧不慢，“他说你现在在做一个数字人的项目，客户是个网红，时间很紧，你在拼命赶工。”
“是。”
“我打电话是想告诉你一件事。“林志远顿了顿，“我做过数字人克隆的项目，大概是2019年、2020年左右。那时候这个技术刚刚起来，我还专门去深圳拜访过几家技术团队，学了一些东西。”
张伟愣住了。“林哥，您是做……？”
“我以前是搞影视特效的，后来转行做了品牌营销，现在自己开了一家小公司。“林志远说，“我之所以给你打这个电话，是因为周哥说你人不错，做事认真。他说你现在可能遇到了一些技术瓶颈，想问问我有没有什么建议。”
张伟感觉自己的眼眶有些发热。
“林哥……谢谢您。”
“别客气，我也没帮什么忙。“林志远说，“我先问你一个问题：你现在遇到的最大的技术问题是什么？”
“唇形同步。“张伟不假思索地说，“嘴唇动的时机和声音对不上，有延迟或者错位。”
“明白了。“林志远说，“这个问题我当时也遇到过。后来我是怎么解决的呢？主要是两个思路。第一，音频预处理。你在训练模型之前，有没有先做音频的降噪和标准化？”
“有，我用的是WebRTC的降噪算法——”
“等等。“林志远打断他，“WebRTC的降噪算法对语音保真度有一定的损伤，尤其是高频部分。你试试用RNNoise，或者干脆不要降噪，直接用原始音频。数字人模型对音频质量的容忍度比你想象的要高，但如果你先做了降噪，反而会丢失一些细微的音节特征。”
张伟飞快地在脑子里记录着。
“第二，“林志远继续说，“唇形同步的问题，本质上不是’嘴巴动得准不准’，而是’嘴巴动的时机对不对’。你的模型现在是在学习’看到音频特征，然后输出唇形’，但这个映射关系是有延迟的。你要做的，是在模型里加一个’预测窗口’，让模型学会’预判’下一个音节，而不是’反应’上一个音节。”
张伟愣了一下。
“预判……”他喃喃地重复着这个词，“您的意思是，让模型在看当前音节的时候，同时预测下一个音节的嘴型？”
“对。人的口腔在说话的时候，是有’预备动作’的。比如你说’ba’这个音，你的嘴唇在’b’这个辅音的时候就已经开始拢圆了，为后面的’a’做准备。如果你的模型只学’当前音节对应的嘴型’，就会显得慢半拍。但如果你让模型学’预判下一个音节’，口型就会更流畅。”
张伟感觉自己的脑子里像是有什么东西被点亮了。
“林哥，我懂了！“他激动地说，“这是一个时序预测问题，不是静态映射问题！”
“对，你理解能力不错。“林志远笑了一声，“这个思路叫’teacher forcing’或者’ scheduled sampling’，你回去查一下，有很多现成的方案可以实现。难度不大，主要是想明白这个道理。”
“谢谢您，林哥！真的谢谢您！”
“别客气。“林志远说，“最后我多说一句。你现在是一个人做一个项目，对吧？”
“是。”
“一个人做项目，最怕的不是技术不行，是精力不够。你熬了一夜，现在脑子已经不清醒了。我建议你先睡两个小时，清醒之后再动手。人在疲劳的时候写的代码，十有八九是有bug的。”
张伟犹豫了一下。“可是时间——”
“时间还有多少？”
“36个小时左右。”
“够了。“林志远说，“你先睡两个小时，脑子清醒了再动手，反而更快。这是我当年的血泪教训，信不信由你。”
”……好，谢谢林哥。”
“行，那就这样。有问题再找周哥，让他转告我。”
电话挂断了。
张伟放下手机，看了一眼时间：早上七点零三分。
他坐在椅子上，愣了好一会儿。
周哥什么时候跟朋友提过他的事？昨天下午他刚跟周哥打完电话，今天一早就有朋友主动打过来给建议？
他想不明白。
但他没有时间去想明白。
他站起来，走到窗边，推开窗户。清晨的空气有些凉，风吹进来，让他昏沉的脑袋稍微清醒了一些。
林志远说的话，在他脑子里回荡：音频预处理的问题、预测窗口的问题、疲劳状态下写代码的问题……
他突然意识到，他这一个月里踩的坑，很多都是”经验问题”，不是”技术问题”。
技术问题他可以自己查资料解决，但经验问题需要有人告诉他，他才知道往哪里走。
而周哥，默默地帮他搭了这条桥。
他1995年出生，属猪，程序员出身。他以为自己技术好就能搞定一切，但他错了。
技术只是工具，经验才是方向。而周哥和他的朋友，是他在这条路上为数不多的指路人。
他最终还是没睡。
不是因为不想睡，而是因为睡不着。
他躺到床上，闭上眼睛，脑子里全是代码和参数。翻来覆去了二十多分钟，他放弃了，爬起来重新坐到电脑前。
七点四十分，他开始修改代码。
根据林志远的建议，他做了三件事：
第一，把音频预处理从WebRTC换成原始音频，不做降噪。
第二，在唇形同步模型里加了一个”预测窗口”，让模型在看第N帧音频的时候，同时预测第N+1帧和第N+2帧的唇形。
第三，把学习率稍微调低了一点，防止模型在”预判模式”下过度拟合。
改完代码，已经是上午九点半了。
他重新跑了一轮训练，然后盯着进度条看了一会儿。
进度条跳动的速度比他预期的要慢一些——预测窗口让模型的计算量增加了将近40%，每轮训练的时间也更长了。
他看了一眼预估时间：大概需要6个小时跑完这一轮。
也就是说，最快下午三点半，才能看到新的结果。
他深吸一口气，告诉自己要冷静。
六个小时，不算长。这期间他可以做很多事——比如检查之前的代码有没有bug，比如整理一下交付的文档，比如给对方发一条进度更新。
他先给方瑶发了一条消息：
“方老师早上好。上午我在做一些底层优化，训练大概需要6个小时。下午三点半左右会出新的测试片段，届时再发给您确认。”
方瑶很快回复了：“好，辛苦张老师。”
简短的两句话，但张伟看着觉得格外顺眼。
至少她没有催他，没有质疑他，只是在等待。
他突然有一种奇怪的感觉：他和方瑶之间的关系，在过去48小时里发生了某种微妙的变化。
一开始，他是乙方，她是甲方。他提供服务，她支付报酬。简单粗暴的交易关系。
但现在，她不只是一个”客户”了。她是一个在背后支持他、相信他的人。她愿意给他48小时，愿意给他试错的空间，愿意在他失败的时候说一句”不太像本人，但可以用”。
这种信任，比那两万块钱更珍贵。
他摇了摇头，把这些乱七八糟的想法甩出脑袋。现在不是感慨的时候。
他打开代码编辑器，开始检查之前的代码有没有问题。
上午十点半，他发现了两个bug。
第一个bug是在音频分帧的时候，窗口大小设置错了，导致某些音节的起止时间有微小的偏差。这个bug不会导致严重问题，但会让唇形同步的精度下降零点几个百分点。
第二个bug是在视频合成的时候，背景图片的透明度没有正确设置，导致最终输出的视频在某些播放器里会有”黑边”问题。这个bug比较严重，如果不修复，方瑶拿到视频之后会发现画面有问题。
他花了两个小时，把这两个bug都修好了。
修完之后，他靠在椅背上，揉了揉太阳穴。
头疼。
他已经连续高强度工作超过36个小时了。中间只睡了两个小时，其他时间不是在写代码就是在调参数。他的眼睛干涩，肩膀僵硬，脑子转得越来越慢。
他看了一眼进度条：才跑了50%。
还要三个小时。
他站起来，活动了一下僵硬的脖子，然后走到窗边，看着外面的城市。
他住的地方是上海外环外的一个老小区，楼下是一片小公园。这个时间点，公园里有很多老人在晨练，有打太极的，有跳广场舞的，有遛狗的。
他突然想起了自己的父母。
他父母都在山东老家，父亲是中学老师，母亲是家庭妇女。他来上海工作五年了，每年只有过年的时候才能回家一趟。他平时给家里打电话的次数也不多，经常是父母打过来，他忙得没时间接，就挂掉，发一条微信说”在忙，晚点回”。
他想起上一次回家的时候，母亲做了一大桌子菜，他吃了两口就说”不好吃，太咸了”。当时母亲的脸色有些尴尬，他却没有在意。
他现在想起来，觉得自己很混蛋。
他1995年出生，今年31岁。他以为自己已经长大了，已经独立了，已经可以一个人在外面闯荡了。但实际上，他还是那个不懂得体谅父母的臭小子。
他叹了口气，回到电脑前坐下。
现在不是想家的时候。
下午三点二十分，进度条终于跑完了。
张伟迫不及待地打开生成的文件，看了一眼效果——
他愣住了。
唇形同步的效果，比之前好了很多。
他仔细看了一段方瑶说话的片段：嘴巴张合的时机几乎和声音完全吻合，没有延迟，没有错位，看起来非常自然。
他切换到另一段，测试了一个长句子。方瑶说”今天我们团队开了个会，讨论了您这边的进度问题”——整句话的唇形流畅连贯，没有任何卡顿或者跳跃。
他激动得差点从椅子上跳起来。
成了！
他快速地渲染了一段完整的测试视频，压缩之后上传到网盘，然后把下载链接发给了方瑶。
这次他没有等，直接打开了微信，给方瑶发了一条语音：
“方老师，新版本出来了，我刚发给您，您看一下效果。这次优化了唇形同步，您注意看一下嘴巴动的时机和声音对不对。”
发完之后，他把手机放到一边，开始收拾桌面。
他把空的红牛罐和泡面碗都扔进了垃圾桶，把散乱的纸张整理好，把键盘和鼠标擦了一遍。
他突然意识到，自己已经很久没有好好收拾过桌面了。
手机震了一下。
他拿起来一看，是方瑶发来的语音。
他点开，听到方瑶的声音：
“张老师，这个版本我看了。唇形同步比我预想的好很多，基本看不出延迟了。但我有一个小问题想跟您确认一下——这个视频里我的声音，是用我自己的声音克隆的吗？”
张伟回了一条语音：“是的，声音也是克隆的。我用了您之前发给我的那段30分钟的录音素材，训练了一个声音模型。”
方瑶沉默了几秒，然后发来文字消息：
“我听了一下，声音比我想象的要像，但有一些地方语调有点平，没有我平时说话的那种’起伏感’。这个问题严重吗？”
张伟想了想，如实回答：
“方老师，这个问题是数字人声音克隆的一个常见难题。AI模型在学习声音的时候，更容易学习’平均’的语调，因为’平均’的语调在训练数据里出现频率最高。要让声音有’起伏感’，需要更多的训练数据和更精细的参数调优，但这样训练时间会更长，而且效果不一定有显著提升。”
“我的建议是这样：目前的声音效果已经达到了’听起来像您’的标准，但’跟您一模一样’还有差距。这个差距有多大，取决于您的使用场景。如果是做短视频、带货直播，观众不会太在意这种细节差别。但如果是做高端品牌代言，可能就需要更精细的声音克隆，这个成本会比较高。”
他发完这段话，等了一会儿。
方瑶的回复来了：
“明白了。那就先这样吧。声音有一点平，我接受。”
张伟松了一口气。
“那方老师，这个版本您确认可以的话，我今天就准备打包交付文件了。”
“好。我确认。”
三个字，但张伟感觉自己的心脏被什么东西击中了。
他做到了。
在最后36小时，他做到了。
他开始整理交付文件。
他把所有的源代码、模型文件、测试视频、文档说明都打包好，放在一个文件夹里，然后上传到网盘。
文件夹的名字叫”数字人项目_方瑶_最终交付版_20260731”。
上传完成之后，他把下载链接和文件清单发给了方瑶，然后打了一行字：
“方老师，合同约定的交付物已全部完成，详见附件。如有任何问题，请随时联系我。感谢您这三周的配合，期待下次合作。”
发完之后，他靠在椅背上，长长地吐了一口气。
窗外的天色已经暗了下来。
他看了一眼时间：下午六点四十五分。
他在这间出租屋里，已经连续工作了将近40个小时。
他站起来，走到窗边，推开窗户。傍晚的风吹进来，带着一丝凉意。远处的高架桥上，路灯刚刚亮起来，一盏一盏的，像一条金色的河流。
他突然觉得很累。
不是身体上的累，是精神上的累。是一种”终于可以松一口气”之后袭来的巨大的空虚感。
他做到了吗？做到了。
他做得好吗？也许吧。至少方瑶接受了。
但他知道，这次的成功，有一半是靠运气。
如果不是周哥帮他介绍了林志远，如果不是林志远早上七点给他打电话，如果不是他最后这几个小时运气好没有遇到新的bug——
结果可能完全不同。
他想起林志远说的那句话：“一个人做项目，最怕的不是技术不行，是精力不够。”
他现在终于理解这句话的意思了。
一个人做项目，技术只是基础。真正决定成败的，是精力、是经验、是人脉、是运气。
而他，一个1995年出生的程序员，能拥有这些吗？
他不确定。
但至少这一次，他活下来了。
手机响了。
他拿起来一看，是方瑶发来的消息。
“张老师，文件收到了。我已经让财务给您打款了，您注意查收。”
张伟愣了一下。
全款？不是说好验收通过之后再打款吗？怎么这么快？
他回了一条消息：“方老师，这么快？不用再确认一下吗？”
方瑶的回复很快：
“不用了。我刚才又把您的测试视频看了三遍，越看越觉得值这个价。”
“而且——“她发来一个微笑的表情，“我先生说您人不错，做事靠谱。他让我跟您说，以后有合适的机会，可以再合作。”
张伟盯着这条消息看了很久。
“我先生”三个字，让他想起了签约那天的事。
那天方瑶的先生专门从杭州飞来上海，陪她签合同。他在旁边坐着，全程没说几句话，但眼神里总有一种”审视”的意味。张伟当时觉得这个人不好对付，现在看来——
他只是护妻心切而已。
他给方瑶回了一条消息：“谢谢方老师，也谢谢您先生。期待下次合作。”
然后他打开了银行App，查了一下账户余额。
入账：20000元。
扣除平台服务费（5%）：1000元。
实际到账：19000元。
他看着这个数字，心里有些复杂。
这一单，他做了将近一个月，熬了无数个夜，遇到了一次又一次的技术瓶颈。
到头来，实际到账19000元。
平均下来，每个小时大概只值20块钱。
他1995年出生，属猪，程序员出身。他这辈子目前为止赚的每一分钱，都是用时间换来的。
但他至少证明了一件事：
他可以一个人做完一个项目。
哪怕过程狼狈，哪怕差点翻车，哪怕最后靠的是运气而不是实力——
他做到了。
他决定出门吃点东西。
他已经记不清自己上一顿正经饭是什么时候吃的了。大概是昨天中午的一碗泡面？或者前天晚上剩下的外卖？
他换了件衣服，拿了钥匙，出门了。
楼下的小区里，路灯已经亮了。几个孩子在花坛边追逐打闹，笑声清脆。几个老人坐在长椅上聊天，说的是上海话，他听不太懂。
他沿着小区门口的路往前走，找到了一家常去的沙县小吃。
老板是个中年男人，姓王，五十多岁，操着一口不太标准的普通话。
“小张，好久没见你了啊。“王老板看到他，热情地招呼。
“最近忙。“张伟找了个位置坐下，“老样子，一碗拌面，一份蒸饺。”
“好嘞。”
王老板转身去后厨忙活了。
张伟坐在位置上，看着窗外的街景发呆。
这条街他走了五年。从刚来上海时的陌生，到现在的熟悉。他知道哪家店的早餐最好吃，知道哪个路口的红绿灯时间最长，知道哪家药店里有个nice的店员。
上海这座城市，对别人来说可能意味着陆家嘴的写字楼、进博会的展馆、外滩的万国建筑群。
但对他来说，上海就是这条破旧的街道、这家沙县小吃、那个收他每单多收五毛钱的快递柜。
他突然有些想家了。
他拿出手机，给母亲打了个电话。
“喂，伟伟？“母亲的声音有些惊喜。
“妈，是我。“他说，“您和我爸最近身体还好吗？”
“好，都好。你呢？工作忙不忙？”
“还行，最近刚做完一个大项目。”
“什么项目啊？”
“就是一个……数字人项目。用AI技术克隆一个人的形象和声音，然后生成视频。“他想了想，“很难解释，反正就是跟科技有关的东西。”
“听起来挺厉害的。“母亲笑了一声，“你从小就喜欢捣鼓这些东西。”
“还行吧。“他也笑了一下，“妈，我下周可能要出差，去北京，可能不太方便打电话。”
“没事，你忙你的。我跟你爸都好好的，不用担心。”
“嗯。”
“对了，伟伟，有件事我想问你。”
“什么事？”
“你有没有谈对象啊？你今年都31了……”
张伟苦笑了一声。“妈，您又来了。”
“我不是催你，我就是问问。你一个人在上海，我跟你爸都不放心……”
“知道了知道了，我会注意的。“他赶紧打断，“妈，先这样吧，我吃饭呢。”
“好好好，你去忙。记得早点休息，别熬夜。”
“知道了。妈，再见。”
他挂断了电话，长长地吐了一口气。
31岁，1995年出生，属猪。
感情的事，他不是不想，是没时间、没精力、没底气。
他现在连自己都养不活，拿什么去谈恋爱？
他叹了口气，看向窗外。
王老板端着拌面和蒸饺走了过来。
“小张，你的饭。”
“谢谢王叔。”
他拿起筷子，开始吃。
蒸饺还是老味道，皮薄馅多，蘸一点醋，特别香。
他突然觉得，这一刻很满足。
项目交付了，钱到账了，母亲的电话虽然唠叨但温暖，一碗沙县小吃虽然普通但管饱。
这就是他1995年出生的人生。
不够光鲜，不够体面，但真实。
吃完饭，他回到出租屋，打开电脑，开始写项目复盘文档。
这是周哥教他的：不管项目做成了还是做砸了，都要写复盘文档，总结经验教训。
他打开一个新的文档，开始写：
数字人克隆项目复盘
一、项目背景 客户：方瑶（网红，58万粉丝） 项目内容：克隆方瑶的数字人形象，用于短视频创作 合同金额：20000元 实际到账：19000元 项目周期：3周
二、技术方案
- 形象采集：使用客户提供的视频素材
- 声音克隆：使用客户提供的30分钟录音素材
- 唇形同步：Wav2Lip框架 + 自定义优化
- 最终效果：基本可用，但声音存在”语调平淡”问题
三、遇到的问题及解决方案
-
问题：原始视频素材抖动严重 解决：使用视频稳定算法进行处理
-
问题：声音克隆出现音色偏移 解决：调整训练参数，重新训练
-
问题：嘴角出现贴图撕裂 解决：局部重训嘴角区域
-
问题：唇形同步有延迟 解决：增加预测窗口，让模型预判下一个音节（林志远提供思路）
四、经验教训
- 一个人做项目，时间管理和精力管理比技术更重要
- 遇到技术瓶颈时，要主动寻求外部帮助，而不是一个人死磕
- 音频预处理不要太激进，RNNoise比WebRTC更适合数字人场景
- 声音克隆的”语调起伏”问题，需要更多的训练数据和更长的训练时间
- 项目流程标准化很重要，下次要做类似项目，需要提前制定详细的技术方案
五、下一步改进方向
- 建立标准化的数字人克隆项目流程文档
- 整理常用的技术方案和参数模板
- 积累更多的训练素材和模型版本
- 探索更高效的声音克隆方案
他写完最后一行字，看了一眼时间：晚上九点半。
他把文档保存好，关掉了电脑。
然后他躺到床上，闭上眼睛。
这一次，他很快就睡着了。
（待续）