玩家必看“真人天天麻将能不能开挂”(确实有挂)_产业发展

玩家必看“真人天天麻将能不能开挂”(确实有挂)

dgp002

2025-06-25 13:55:19

您好：真人天天麻将这款游戏可以开挂，确实是有挂的，需要软件加微信【69174242】，很多玩家在真人天天麻将这款游戏中打牌都会发现很多用户的牌特别好，总是好牌，而且好像能看到-人的牌一样。所以很多小伙伴就怀疑这款游戏是不是有挂，实际上这款游戏确实是有挂的

1.真人天天麻将这款游戏可以开挂，确实是有挂的，通过添加客服微信【69174242】

2.在"设置DD功能DD微信手麻工具"里.点击"开启".

3.打开工具加微信【69174242】.在"设置DD新消息提醒"里.前两个选项"设置"和"连接软件"均勾选"开启"(好多人就是这一步忘记做了)

4.打开某一个微信组.点击右上角.往下拉."消息免打扰"选项.勾选"关闭"(也就是要把"群消息的提示保持在开启"的状态.这样才能触系统发底层接口。)

【央视新闻客户端】

目前这款产品在京东售价1356.43元，在拍易得最新一期的活动中成交价仅678元，浏览器访问拍易得官网可获得最新详情！

红米 Turbo 4 5G手机，12GB+256GB大内存组合，运行流畅，存储无忧。祥云白色机身设计，优雅大方，质感出众。支持5G网络，下载速度快，响应迅速，满足日常娱乐与办公需求。性能强劲，续航持久，是您生活和工作的理想选择。PLUS会员专享，品质保障，值得拥有。

“掌”握科技鲜闻（微信搜索techsina或扫描左侧二维码关注）

新浪科技意见反馈留言板

TaoAvatar 是由阿里巴巴淘宝 Meta 技术团队研发的 3D 真人数字人技术，这一技术能在手机或 XR 设备上实现 3D 数字人的实时渲染以及 AI 对话的强大功能，为用户带来逼真的虚拟交互体验。

它是如何实现的呢？本文将为您揭秘 TaoAvatar 背后的黑科技！同时在今天，我们正式宣布开源了 3D 真人数字人应用：MNN-TaoAvatar！目前应用源码已同步发布在 MNN 的 GitHub 仓库，开发者可自行下载安装和体验，欢迎大家和我们一起交流讨论，共同探索 AI 数字人技术的无限可能。

什么是 TaoAvatar？

TaoAvatar 是淘宝在数字人技术领域取得的最新突破，更多详细的研究成果已经发表在相关论文。

论文标题：TaoAvatar: Real-Time Lifelike Full-Body Talking Avatars for Augmented Reality via 3D Gaussian Splatting

论文地址：https://arxiv.org/abs/2503.17032v1

开源地址:https://github.com/alibaba/MNN/blob/master/apps/Android/MnnTaoAvatar/README_CN.md?

TaoAvatar 基于先进的 3D 高斯泼溅技术，提供了一套全身互动式的真人数字人解决方案。它通过多视角视频的输入，可以迅速生成具有高逼真度的数字人形象，这些形象不仅能够精准地捕捉到细腻的面部表情和手势动作，甚至连衣物细微的褶皱以及头发的自然摆动都能清晰呈现，带来一种自然而真实的视觉体验。

值得一提的是，TaoAvatar 还同时显著降低了数字人建模的成本，大幅提高了建模效率，从而为数字人的规模化应用提供了基础。在中国三维视觉大会上，TaoAvatar 凭借其卓越的性能和广泛的适用性，成功入选「最佳演示 Demo 候选」，吸引了业界的广泛关注，成为数字人技术研究领域的一个亮点。

什么是 MNN-TaoAvatar？

MNN-TaoAvatar 是我们推出的一款开源的 3D 数字人应用，它集成了多项领先的 AI 技术，支持实时 3D 数字人语音交互，使用户能够在手机上实现与数字人的自然交流，仿佛真的在与一个「活生生」的人交谈。MNN-TaoAvatar 不仅能够在手机端流畅运行，还完美兼容了 XR 设备。如下是在 Android 手机及 Apple Vision Pro 设备上的体验效果：

MNN-TaoAvatar 集成了多项关键技术，包括精准的语音识别能力，能够准确理解你的每一句话；先进的大语言模型，可以深入理解你的意图和情感；以及自然流畅的语音合成技术，能够以自然流畅的方式进行回应。更令人惊艳的是，它能够根据语音实时驱动面部表情的变化，从而带来更加生动真实的对话体验。

这一切的背后，是最新算法模型提供的强大支持。基于端侧 AI 推理引擎 MNN，我们研发了一系列的核心模块，包括运行大语言模型的 MNN-LLM、语音识别模型的 MNN-ASR、语音合成模型的 MNN-TTS，以及数字人渲染的 MNN-NNR。

现阶段市面上的数字人方案很多，但基于 MNN 运行的 TaoAvatar 有哪些独特优势呢？

目前大多数主流的数字人方案主要基于云端 AI 算法，这些方案需要依赖强大的服务器和高性能显卡资源，才能完成 ASR（Audio-Speech-Recognize，语音识别）、TTS（Text-To-Speech，语音生成）以及 A2BS（Audio-To-BlendShape，音频驱动面部表情）等复杂处理任务。即便一些开源方案支持本地运行，往往也需要配备较为高端的硬件。

例如需搭载 RTX 3090 或更高规格显卡的设备，才能确保流畅地执行推理和渲染任务。相比之下，MNN-TaoAvatar 则能够在仅一部手机上即可运行上述所有算法模型以及 3D 模型，展现出极高的效率和便捷性。

MNN-TaoAvatar 具有两个核心优势：端侧实时对话和端侧实时渲染。

端侧实时对话

首先，为了实现端侧的实时对话，需要将 ASR（自动语音识别）、TTS（文本转换语音）和 A2BS（口型驱动）的综合 RTF（Real Time Factor，实时因素）控制在 1 以内，即能在 1 秒内生成 1 秒长度的语音，RTF 值越小生成速度越快。通过持续优化，我们取得了以下突破：

将 281 MB 的端侧 ASR 模型的 RTF 优化到了 0.18，实现了用户语音在端侧的实时转文本；

端侧大语言模型预填充速度最快可达 165 token/s，解码速度可达 41 token/s，确保了流畅的文本内容生成；

将 1.34 GB 的端侧 TTS 模型 RTF 优化至 0.58，实现了文本到语音的实时合成与播放。

端侧实时渲染

为了让数字人的面部动作更为自然，渲染过程主要分为两个关键步骤：首先，根据语音输入，通过算法模型精准提取面部表情动作的系数，然后将表情系数和数字人 3D 模型的预录数据进行融合，最终借助 NNR 渲染器完成高质量渲染。这两部分我们做到的性能如下：

成功将 368 MB 的端侧 A2BS 模型的 RTF 优化至 0.34，实现了实时语音到面部表情系数的转换。

通过自主研发的高性能 NNR 渲染器，达到了对 25 万点云模型以每秒 60 帧（FPS）的流畅渲染速度，确保了动画的顺滑自然。

上文提及的具体端侧模型的功能及我们做到的技术指标如下（基于搭载高通骁龙 Snapdragon 8 Elite芯片的智能手机测试结果）：

MNN-TaoAvatar 整体流程

在用户尚未输入语音的情况下，MNN-TaoAvatar 会利用 MNN-NNR 来渲染默认的数字人模型姿态，生成闭唇、静态表情或者预设动作的画面。一旦用户开始语音输入，系统将按以下流程运行：

基于这一流程，用户便能够与一个自然流畅、表情生动的数字人进行实时对话了。在该流程的背后，MNN 框架在技术实现和性能优化上做出了大量的努力。接下来，我们将深入探讨 MNN-TaoAvatar 的技术架构及其关键优化点。

MNN-TaoAvatar 关键技术

MNN-TaoAvatar 是基于 MNN 引擎构建而成的，它集成了 MNN-LLM、MNN-NNR 以及 Sherpa-MNN（包括 MNN-ASR 和 MNN-TTS）等多种算法模块。下图展示了这些模块在应用中的架构示意：

MNN：轻量级 AI 推理引擎

MNN（Mobile Neural Network）是一款功能强大的开源、跨平台 AI 模型推理引擎。

高性能推理：支持 CPU/GPU/NPU 等多种异构计算方式，能够轻松满足增强现实/虚拟现实（AR/VR）、语音识别以及大型语言模型（LLM）等需要快速响应的实时应用；

跨平台兼容：支持 C++、Python、Java 和 JavaScript 等多种语言接口，并与主流系统平台无缝集成；

模型轻量化：内置了量化与剪枝工具，有效压缩了模型大小，大幅节省内存空间并缩短加载时间。

MNN-LLM：移动端部署大模型

MNN-LLM 是基于 MNN 之上开发的 MNN-Transformer 模块的一个子功能模块，用于支持大语言模型与文生图等 AIGC 任务。它包含以下关键技术：

模型导出工具：能一键将主流 LLM/Diffusion 模型转换为 MNN 格式，大大简化了模型的部署和使用过程；

模型量化机制：将大型模型如 Qwen2.5-1.5B 从原来的 5.58 GB 压缩至 1.2 GB，同时保持较快的解码速度，达到每秒 45 个 token；

KV 缓存/LoRA 支持：利用 KV 缓存技术，MNN-LLM 显著提升了对话响应的速度；LoRA 技术的应用也使得模型能够灵活适配不同的任务场景，而无需重新训练整个模型，从而降低了计算资源的消耗。

MNN-Transformer 由三个核心部分构成：导出工具、量化工具以及插件与引擎。

导出工具负责将各类大型模型转化为 MNN 格式，并创建必要的资源包；

量化工具能有效减少 MNN 模型的体积，从而降低运行时的内存，加快执行速度；

插件与引擎模块则提供了 LLM/Diffusion 运行时所需的关键功能，如分词、KV 缓存管理以及 LoRA 等。

在小米 14 手机（搭载高通骁龙 8 Gen 3 芯片）上进行的测试中，MNN-LLM 展现了卓越的 CPU 性能。其预填充速度相较于 llama.cpp 提高了 8.6 倍，较 fastllm 更是提升了 20.5 倍。在解码速度方面，MNN-LLM 同样表现优异，分别达到了 llama.cpp 的 2.3 倍和 fastllm 的 8.9 倍。

Sherpa-MNN：离线语音智能新方案

为提升语音识别在端侧上的表现，MNN 团队对原始 sherpa-onnx 框架进行了深度优化，推出 Sherpa-MNN，它支持 ASR（自动语音识别）和 TTS（文本转语音）算法，并具备如下优势：

性能翻倍：在 MacBook Pro M1 上（基于 arm64 架构），单线程运行经过量化处理的流式 ASR 模型（具体模型为 sherpa-onnx-streaming-zipformer-bilingual-zh-en-2023-02-20）。在这一测试中，onnxruntime 的 RTF（实时因子）为 0.078，而 MNN 的 RTF 仅为 0.035，相比于 onnxruntime 快出一倍。

包体积更小：在功能相同、性能更优的情况下，MNN 的体积仅为 onnxruntime 的五分之一（对于 Android arm64 架构，MNN 的体积为 3.3 MB，而 onnxruntime 则需 15 MB）。

MNN-NNR：高效神经网络渲染引擎

MNN-NNR 是 TaoAvatar 的核心 3D 渲染引擎，专为在移动设备上实时渲染高质量数字人模型而设计。其核心的技术优势如下：

开发简便：通过将算法与渲染过程解耦，开发者可以更专注于算法的创新与优化。使用 PyTorch 训练的模型可以轻松导出为 NNR 模型并部署，无需深厚的图形编程经验。

极致轻量：通过将计算逻辑离线「编译」为深度学习模型和渲染图，运行时只需要执行深度学习模型和渲染图，因此整个包体大小极小（以 Android 为例，仅需 200k）。并且首次集成后，几乎无需变更。业务功能的扩展由离线编译器处理，算法的迭代只需更新 NNR 文件即可，实现了算法迭代与引擎集成的解耦。

高性能：结合 MNN 的高效执行能力，MNN-NNR 通过引入「Dirty 机制」和免拷贝技术，确保了渲染过程的高效执行，从而实现流畅的渲染效果。

为了让数字人模型能够实现高效的渲染，我们进行了以下几项深度优化：

数据同步优化

为了消除数据同步所需的时间，我们让所有模型都在 MNN GPU 后端上运行，并在 NNR Runtime 中配置 MNN 所使用的 GPU 后端与渲染共享同一个上下文。这样，MNN Tensor 的数据就直接存储在 GPU 内存中。NNR Runtime 实现了直接读取 MNN Tensor GPU 内存的方案，无需进行数据拷贝即可直接用于渲染，从而免除了数据同步的时间。

在 NNR Runtime 中，我们实现了「Dirty 机制」，每一帧只运行输入数据发生变化的 MNN 模型。在 TaoAvatar 场景中，深度模型包括 Base Deformer、Aligner、Deformer、Color Compute 和 Sort 等。由于动态高斯数字人重建所需的图像是以 20 帧/秒的速度采集的，为了保持高斯数字人动作的平滑性和一致性，驱动高斯数字人动作的参数只需以 20 fps 的频率设置即可。

因此，Base Deformer、Aligner 和 Deformer 只需以 20 fps 的频率运行。在视角变化不大的情况下，也不需要每帧都对高斯点进行排序，所以 Sort 模型通过另一个开关来控制运行。这样，每帧实际运行的模型就只剩下 Color Compute，从而大幅降低了整体的运行时间。

对于使用 MNN 编译器的模型，将输入数据进行 fp16 压缩，可以提升 50% 的性能。

对于高斯排序，MNN 实现了基于 GPU 的基数排序算法，并且利用 autotuning 技术，确保在各类 GPU 上都能达到最佳性能。

在这些优化的加持下，MNN-NNR 成功实现了在动画模型仅以较低频率（如 20 fps）更新的情况下，画面依然能够以 60 fps 的流畅度进行输出。

3D 高斯数字人：小模型也能高质量

传统高斯点云重建成本高、存储体积大，而 TaoAvatar 采用了全新的多重优化方案：

StyleUnet+MLP 混合建模：通过一个功能强大的 StyleUnet 教师网络，学习复杂的姿势变化，并将这些信息高效地「烘焙」到轻量级的 MLP 学生网络中，极大降低了计算成本。

动态高斯点云技术：将单帧重建的静态高斯点云，升级成为可复用多帧数据的动态高斯点云技术。这不仅显著提升了渲染效果的稳定性与清晰度，还显著减少了渲染过程中的闪烁现象。

高压缩率资产压缩算法：在 25 万点云的量级下，模型文件大小仅约 160 MB，非常适合在端侧设备上部署。

通过相同素材重建得到的数字人模型，在不同高斯点云数量下，会呈现出不同的清晰度、模型体积和渲染性能。为了找到最佳的平衡点，我们进行了多种不同点云数量模型的测试：

经过综合对比，25 万高斯点云的数字人是终端侧部署的最佳配置方案，它不仅确保了渲染时的高清晰度，还将单个 ID 的存储空间精妙地控制在 100 到 200 MB 之间。

使用说明

硬件要求

虽然我们已经进行了大量的优化工作，但由于需要将多个模型集成到手机中，所以对手机性能还是有一定要求的。以下是 MNN-TaoAvatar 的推荐配置：

需要高通骁龙 8 Gen 3 或同等性能 CPU。

需要至少 8 GB 内存用于模型运行。

需要至少 5 GB 空间用于存放模型文件。

?? 性能不足的设备可能会遇到卡顿、声音断续或功能受限哦。

快速体验

想要亲自体验一下吗？只需按照以下简单的步骤操作即可。

git?clone?https://github.com/alibaba/MNN.gitcd?apps/Android/Mnn3dAvatar然后构建并部署：

连接你的安卓手机，打开 Android Studio 点击「Run」，或执行：

/gradlew installDebug通过这两个步骤，你就可以在自己的手机上体验 MNN-TaoAvatar 数字人应用了！赶快来试一试吧。

玩家必看“真人天天麻将能不能开挂”(确实有挂)

相关内容

热门资讯