X Eva 核心技术栈 XLLM 声音神经网络与视觉模型

四层技术架构

X Eva 的克隆人能力由小冰框架的四层技术协同支撑：

XLLM 语言模型

XLLM（Xiaoice Large Language Model）是小冰团队自研的大语言模型，负责：

• 克隆人对话时的自然语言理解与生成
• 根据记忆库内容保持对话上下文的一致性
• 超级模式下的逻辑推理与任务执行
• AIGC 内容生成时的文案撰写能力

XLLM 专为情感陪伴场景优化，与通用大模型相比，它在长对话记忆、角色一致性和情感反应粒度方面做了针对性调优。

声音神经网络渲染

声音模型从用户提交的数分钟真人录音中学习：

• 音色特征（共振峰、基频范围）
• 说话习惯（语速、停顿节奏）
• 情感表达（开心时语调上扬、安慰时语速放缓等模式）

训练完成后，克隆人可以用自己的声音朗读任意文本。后续迭代中，还支持「歌声训练」——让克隆人唱出本人的唱歌风格。

视觉模型训练

视觉模型负责克隆人的外貌和视频动效：

• 从用户上传的照片/视频中提取面部特征
• 生成稳定的虚拟形象
• 支持视频通话时的面部动效（微笑、眨眼、转头等反应）

视觉模型与声音模型打通后，视频通话中的克隆人会根据对话内容实时做出表情和口型变化。

情感计算

小冰框架的传统强项，负责：

• 识别用户当前的情绪状态（从文字、语音语调中判断）
• 匹配对应的情感反应策略
• 让克隆人在对话中自然地表达共情

情感计算模块让克隆人避免变成单纯的问答机器，而是表现出「有趣的灵魂」。

双模式切换背后的技术

为什么加 V 克隆人能在「情感模式」和「超级模式」之间切换？背后是同一个 XLLM 模型加载了两种不同的系统提示和行为约束：

• 情感模式：角色人格权重优先，对话更情绪化、更具个性
• 超级模式：逻辑推理权重优先，减少人格化表达，强调任务执行的准确性和完整性

切换相当于换一套 prompt 上下文，模型本身是同一个。