로컬 에이전트(Hermes/OpenClaw)랑 대화하려고 텔레그램 탭을 하루종일 띄워두는 게 싫어서, 그 자리를 대신할 아바타를 만들었습니다. 모니터에 상주하는 영상통화형 창 2개(아바타 + 채팅)로, 에이전트 응답을 읽는 게 아니라 "연기"하게 만듭니다.
-
아바타에 런타임 GPU를 안 씁니다. 실시간 추론 대신 사전 렌더된 클립 ~30개를 LLM 출력의 감정 태그로 골라 재생합니다. [working]이면 안경 쓰고 메모하고, [confirm] 태그엔 승인/취소가 떠서 되돌릴 수 없는 작업 전에 물어보고, 코드/로그는 낭독하지 않고 카드로 렌더합니다. GPU는 온전히 모델 몫입니다.
-
에이전트를 대체하지 않고 커넥터로 붙습니다. 게이트웨이가 앱이 띄운 로컬 WebSocket으로 dial-out 하는 구조라, 에이전트 입장에선 그냥 채널 하나가 늘어난 겁니다. 에이전트의 슬래시 커맨드 메뉴도 그대로 받아서 띄웁니다.
-
음성 양방향: Edge TTS(로컬 엔진으로 교체 가능) + Silero VAD·faster-whisper.
-
오픈코어(MIT). 무료 스타터 아바타가 동봉돼 있어서 클론하면 바로 돌아갑니다. 그 아바타 자체가 무료 로컬 도구(Animagine XL → HunyuanVideo 1.5 i2v)로만 만든 거라, 문서에 적힌 제작법이 실제로 되는지 증명하는 예시이기도 합니다.
만들면서 알게 된 것: 영상 확산모델이 미세 표정을 프롬프트로 만드는 게 생각보다 어렵습니다. Wan 2.2 5B는 입을 크게 벌리는 웃음은 되는데 "걱정"이나 "화남"처럼 눈썹으로 표현되는 감정은 그냥 무표정으로 나왔고, HunyuanVideo 1.5(8.3B 단계증류)로 바꾸니 같은 12GB 카드에서 더 빠르면서 표정도 제대로 나왔습니다.
현재 Windows 빌드만 있고, 실시간 립싱크는 없습니다(사전 렌더 방식의 트레이드오프).