数字人AI 应用语音多模态音视频后端【免费下载链接】OpenAvatarChat项目地址https://gitcode.com/gh_mirrors/op/OpenAvatarChat点击查看免费下载LAMLip and Motion / Audio-to-Expression数字人驱动 Handler 是 OpenAvatarChat 中负责端侧渲染数字人表情的核心模块它接收 TTS 合成或任何来源的音频流通过 wav2vec2 特征提取器与 LAM_audio2exp 流式模型推理实时输出 52 维 ARKit 面部表情系数含口型、眉毛、眼部动作供 LAM 端侧渲染客户端驱动 Gaussian Splatting 数字人形象。读完本文你将掌握该 Handler 的完整模型依赖与一键/手动下载流程、源码级的加载与流式推理原理、以及config/chat_with_lam.yaml中 LAM_Driver 的完整接线方式能够独立完成从模型部署到数字人驱动的整条链路。Handler 定位语音如何变成表情在 OpenAvatarChat 的 Handler 流水线中avatar/lam/avatar_handler_lam_audio2expression是一个典型的Avatar数字人驱动类 Handler。它的职责非常聚焦消费上游传入的数字人音频流ChatDataType.AVATAR_AUDIO产出数字人动作数据流ChatDataType.AVATAR_MOTION_DATA其中动作数据的核心是一个名为arkit_face的 1×52 表情向量流。这套机制由 handler 源码 中的HandlerAvatarLAM类实现其输入/输出定义如下输入AVATAR_AUDIO消费模式为ChatDataConsumeMode.ONCE一次性消费不保留历史输出AVATAR_MOTION_DATA数据捆绑包DataBundle中包含两个条目arkit_faceshape 为[1, 52]、采样率 30 Hz、时间轴 0、通道轴 1通道名来自 arkit_face_channels.txt如jawOpen、mouthSmileLeft、eyeBlinkLeft、browInnerUp等 52 个标准 ARKit 面部通道avatar_audio1 声道、采样率 24 kHz 的音频条目与表情帧对齐输出。这意味着 Handler 输出的是一帧一帧的 ARKit 表情系数每 1/30 秒一帧客户端拿到后可直接映射到数字人面部的 blendshape。整个推理不依赖 GPU 渲染——渲染在端侧LAM 客户端完成这是该方案的架构特点。依赖模型两个模型、两条下载路径LAM Handler 的运行依赖两个模型二者缺一不可模型作用仓库内落盘路径wav2vec2-base-960h预训练语音特征提取器backbone encoder将原始音频转为语义/声学特征models/wav2vec2-base-960hLAM_audio2exp_streamingLAM 流式音频→表情Audio2Expression推理权重models/LAM_audio2exp/wav2vec2 特征提取器与 FlashHead 等其他 Avatar Handler 共享因此如果之前已下载过脚本会跳过重复克隆。LAM_audio2exp 则是本 Handler 专属的流式表情模型下载后解压得到pretrained_models/lam_audio2exp_streaming.tar等文件供推理引擎加载。一键下载推荐文档给出的标准做法是使用仓库统一的模型下载脚本# 默认源脚本对 lam 会优先选择 ModelScope 镜像 uv run scripts/download_models.py --handler lam # 国内用户显式指定 ModelScope 源 uv run scripts/download_models.py --handler lam --source modelscope该命令对应的实现位于 scripts/download_models.py 的download_lam()函数。从源码可以看到脚本会先检查目标目录是否已存在wav2vec2-base-960h已存在则跳过LAM_audio2exp存在pretrained_models/或config.yaml则跳过再分别执行克隆/下载与tar解压并对 H 参数的--handler lam做了注册MODULE_TO_HANDLER中avatar/lam → lam。指定--source modelscope时脚本使用国内 ModelScope 镜像地址网络环境更友好。手动下载离线/自定义环境如果希望绕过脚本自行下载例如断网环境拷贝、或想固定某一模型版本文档提供了等价的手动流程。两个模型分别处理1. wav2vec2-base-960h语音特征提取器# HuggingFace 源 git clone --depth 1 https://huggingface.co/facebook/wav2vec2-base-960h ./models/wav2vec2-base-960h # ModelScope 源国内推荐 git clone --depth 1 https://www.modelscope.cn/AI-ModelScope/wav2vec2-base-960h.git ./models/wav2vec2-base-960h2. LAM_audio2exp流式表情推理权重# HuggingFace 源 wget https://huggingface.co/3DAIGC/LAM_audio2exp/resolve/main/LAM_audio2exp_streaming.tar -P ./models/LAM_audio2exp/ tar -xzvf ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar -C ./models/LAM_audio2exp rm ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar # 阿里云 OSS 源国内镜像 wget https://virutalbuy-public.oss-cn-hangzhou.aliyuncs.com/share/aigc3d/data/LAM/LAM_audio2exp_streaming.tar -P ./models/LAM_audio2exp/ tar -xzvf ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar -C ./models/LAM_audio2exp rm ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar手动下载时务必保持目录名与配置默认值一致models/wav2vec2-base-960h与models/LAM_audio2exp否则需要在 Handler 配置 中覆盖feature_extractor_model_name或model_name。Handler 配置项详解Handler 的配置模型AvatarLAMConfig定义在 handler 源码 中继承自HandlerBaseConfigModel配置项默认值说明model_nameLAM_audio2expLAM 表情模型的目录名实际权重路径为model_root/LAM_audio2exp/pretrained_models/lam_audio2exp_streaming.tarfeature_extractor_model_namewav2vec2-base-960h特征提取器目录名加载为 backbone 的pretrained_encoder_pathaudio_sample_rate24000推理音频采样率Hz同时决定音频切片长度与输出avatar_audio的采样率在实际配置文件中该 Handler 通常只需一行即可启用其余参数走默认值LAM_Driver: module: avatar/lam/avatar_handler_lam_audio2expression注意模型根目录由 Chat Engine 全局配置chat_engine.model_root默认models决定加载流程 中通过DirectoryInfo.get_project_dir()拼接出最终绝对路径并将LAM_Audio2Expression算法子模块目录临时加入sys.path后导入引擎。源码级运行原理模型加载与预热load()阶段完成以下关键步骤见 handler 源码将 handler 自带的LAM_Audio2Expression算法包目录追加到sys.path导入default_config_parser、default_setup与INFER引擎通过default_config_parser读取算法包内的configs/lam_audio2exp_config_streaming.py流式推理配置并将模型权重路径、wav2vec2 预训练编码器路径与wav2vec2_config.json注入配置构建INFER推理对象并调用model.eval()切换到推理模式读取 52 个 ARKit 通道名预热warmup向推理引擎送入 1 秒audio_sample_rate个采样点的零音频执行一次流式推理并打印耗时日志——这一步可显著降低首帧推理延迟。会话与流式推理每个会话通过create_context()创建独立的AvatarLAMContext其中会初始化一个 1 秒长度的音频切片器SliceContextslice_size audio_sample_rate * 1.0。处理一条音频数据时handle 方法首次收到音频时创建新的输出流stream命名为lam_audio2expression且cancelableTrue以便打断将输入音频按 1 秒切片送入队列逐片调用infer.infer_streaming_audio(audio, ssr, context)进行流式增量推理——上一片的隐状态context_update会作为下一片的context传入实现跨切片的表情连续性若这是数据流末尾is_last先 flush 切片器残余数据再补发一段 50 采样点的静音片段以确保推理完整收敛随后将流标记为结束每一帧推理结果中的expression52 维浮点数组被打包为DataBundlearkit_face作为主数据同时附带对齐的avatar_audio切片与元信息stream_key、可选的表情对应文本avatar_speech_text通过streamer.stream_data(output, finish_streamis_last)推送下游。打断与取消由于流支持取消Handler 通过on_signal()响应STREAM_CANCEL信号见 handler 源码当关联流被取消时从活跃流集合中移除该流handle()循环会在下一片音频前检测到该流已失效停止推理并重置推理上下文。这保证了用户在说话中途打断时表情驱动能快速停止而非继续消耗算力。依赖与运行环境该 Handler 的第三方依赖声明在 pyproject.toml 中addict配置字典工具、yapf、transformerswav2vec2 推理、termcolor并要求 Python3.10, 3.13。完整链路配置、安装与启动LAM 数字人方案的最小可用链路是LAM 客户端 VAD ASR LLM 云 TTS LAM 表情驱动官方预置的 config/chat_with_lam.yaml 已经配好全部环节。其 Handler 接线核心如下chat_engine: model_root: models handler_configs: LamClient: # 端侧渲染客户端选择形象资产 module: client/ws_lam_client/ws_lam_client_handler asset_path: lam_samples/barbara.zip # 预置形象之一 connection_ttl: 900 upstream_mode: ws InterruptHandler: # 打断处理器 module: logic/interrupt/interrupt_handler SileroVad: # 本地 VAD 检测说话区间 module: vad/silerovad/vad_handler_silero speaking_threshold: 0.15 ... SenseVoice: # 本地 ASR 语音识别 enabled: True module: asr/sensevoice/asr_handler_sensevoice model_name: iic/SenseVoiceSmall CosyVoice: # 百炼云端 TTS enabled: True module: tts/bailian_tts/tts_handler_cosyvoice_bailian voice: longxiaocheng LLMOpenAICompatible: # 对话大模型 enabled: True module: llm/openai_compatible/llm_handler_openai_compatible model_name: qwen-plus api_url: https://dashscope.aliyuncs.com/compatible-mode/v1 LAM_Driver: # 本文主角语音→表情 module: avatar/lam/avatar_handler_lam_audio2expression该方案中只有 VAD 与 ASR 在本地 GPU 上运行TTS 与 LLM 走云端百炼因此对机器性能依赖很轻、可支持一机多路并发详见 docs/getting-started/lam.md。端侧形象由 LAM Client Handler 负责仓库预置了barbara.zip、james.zip、status.zip、vfhq_case1.zip等多个示例形象位于 lam_samples也可通过 LAM 项目自行训练形象后替换asset_path。按文档的快速开始顺序部署即可# 1. 安装依赖并注册本 Handler uv run install.py --config config/chat_with_lam.yaml # 2. 下载 LAM 依赖模型wav2vec2 LAM_audio2exp uv run scripts/download_models.py --handler lam # 3. 启动服务 uv run src/demo.py --config config/chat_with_lam.yaml验证与排错要点模型路径核对启动前确认models/wav2vec2-base-960h/与models/LAM_audio2exp/pretrained_models/lam_audio2exp_streaming.tar存在启动日志中出现的LAM_Audio2Expression warmup finished in ... milliseconds.即表示模型加载与预热成功。配置项命名AvatarLAMConfig中的三个可覆盖项分别对应model_name、feature_extractor_model_name、audio_sample_rate若手动更换模型目录需同步调整。打断不生效确认InterruptHandler已启用且输入音频流的取消语义cancelableTrue被上游正常传递否则STREAM_CANCEL信号不会被分发到本 Handler。Python 版本本 Handler 依赖包要求 Python 3.10–3.13 区间使用uv管理环境可避免版本冲突。赞分享数字人AI 应用语音多模态音视频后端【免费下载链接】OpenAvatarChat项目地址https://gitcode.com/gh_mirrors/op/OpenAvatarChat点击查看免费下载相关推荐如何快速实现Fay数字人面部表情实时驱动从语音到表情的完整参数化方案如何快速实现Fay数字人面部表情实时驱动从语音到表情的完整参数化方案 Fay是一款开源数字人框架集成了语言模型和数字角色提供零售、助手和代理版本适用于虚3步掌握Fay数字人表情驱动从语音到唇形动画的完整工作流3步掌握Fay数字人表情驱动从语音到唇形动画的完整工作流 Fay是一款开源数字人框架集成了语言模型和数字角色提供零售版、助手版和代理版适用于虚拟导购、主Fay数字人情感分析模型部署优化Fay数字人情感分析模型部署优化 情感分析是Fay数字人框架实现自然交互的核心能力之一直接影响虚拟角色对用户情绪的理解与回应质量。本文将从模型选型、性能优化到上一篇StaffML 题库北星North Star v2方法论如何用专家评审与第一性原理推导 ML 系统面试题库的规模与分布下一篇NautilusTrader 架构指南事件驱动交易引擎的组件、流程与工程实践创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
数字人AI 应用语音多模态音视频后端【免费下载链接】OpenAvatarChat项目地址https://gitcode.com/gh_mirrors/op/OpenAvatarChat点击查看免费下载LAMLip and Motion / Audio-to-Expression数字人驱动 Handler 是 OpenAvatarChat 中负责端侧渲染数字人表情的核心模块它接收 TTS 合成或任何来源的音频流通过 wav2vec2 特征提取器与 LAM_audio2exp 流式模型推理实时输出 52 维 ARKit 面部表情系数含口型、眉毛、眼部动作供 LAM 端侧渲染客户端驱动 Gaussian Splatting 数字人形象。读完本文你将掌握该 Handler 的完整模型依赖与一键/手动下载流程、源码级的加载与流式推理原理、以及config/chat_with_lam.yaml中 LAM_Driver 的完整接线方式能够独立完成从模型部署到数字人驱动的整条链路。Handler 定位语音如何变成表情在 OpenAvatarChat 的 Handler 流水线中avatar/lam/avatar_handler_lam_audio2expression是一个典型的Avatar数字人驱动类 Handler。它的职责非常聚焦消费上游传入的数字人音频流ChatDataType.AVATAR_AUDIO产出数字人动作数据流ChatDataType.AVATAR_MOTION_DATA其中动作数据的核心是一个名为arkit_face的 1×52 表情向量流。这套机制由 handler 源码 中的HandlerAvatarLAM类实现其输入/输出定义如下输入AVATAR_AUDIO消费模式为ChatDataConsumeMode.ONCE一次性消费不保留历史输出AVATAR_MOTION_DATA数据捆绑包DataBundle中包含两个条目arkit_faceshape 为[1, 52]、采样率 30 Hz、时间轴 0、通道轴 1通道名来自 arkit_face_channels.txt如jawOpen、mouthSmileLeft、eyeBlinkLeft、browInnerUp等 52 个标准 ARKit 面部通道avatar_audio1 声道、采样率 24 kHz 的音频条目与表情帧对齐输出。这意味着 Handler 输出的是一帧一帧的 ARKit 表情系数每 1/30 秒一帧客户端拿到后可直接映射到数字人面部的 blendshape。整个推理不依赖 GPU 渲染——渲染在端侧LAM 客户端完成这是该方案的架构特点。依赖模型两个模型、两条下载路径LAM Handler 的运行依赖两个模型二者缺一不可模型作用仓库内落盘路径wav2vec2-base-960h预训练语音特征提取器backbone encoder将原始音频转为语义/声学特征models/wav2vec2-base-960hLAM_audio2exp_streamingLAM 流式音频→表情Audio2Expression推理权重models/LAM_audio2exp/wav2vec2 特征提取器与 FlashHead 等其他 Avatar Handler 共享因此如果之前已下载过脚本会跳过重复克隆。LAM_audio2exp 则是本 Handler 专属的流式表情模型下载后解压得到pretrained_models/lam_audio2exp_streaming.tar等文件供推理引擎加载。一键下载推荐文档给出的标准做法是使用仓库统一的模型下载脚本# 默认源脚本对 lam 会优先选择 ModelScope 镜像 uv run scripts/download_models.py --handler lam # 国内用户显式指定 ModelScope 源 uv run scripts/download_models.py --handler lam --source modelscope该命令对应的实现位于 scripts/download_models.py 的download_lam()函数。从源码可以看到脚本会先检查目标目录是否已存在wav2vec2-base-960h已存在则跳过LAM_audio2exp存在pretrained_models/或config.yaml则跳过再分别执行克隆/下载与tar解压并对 H 参数的--handler lam做了注册MODULE_TO_HANDLER中avatar/lam → lam。指定--source modelscope时脚本使用国内 ModelScope 镜像地址网络环境更友好。手动下载离线/自定义环境如果希望绕过脚本自行下载例如断网环境拷贝、或想固定某一模型版本文档提供了等价的手动流程。两个模型分别处理1. wav2vec2-base-960h语音特征提取器# HuggingFace 源 git clone --depth 1 https://huggingface.co/facebook/wav2vec2-base-960h ./models/wav2vec2-base-960h # ModelScope 源国内推荐 git clone --depth 1 https://www.modelscope.cn/AI-ModelScope/wav2vec2-base-960h.git ./models/wav2vec2-base-960h2. LAM_audio2exp流式表情推理权重# HuggingFace 源 wget https://huggingface.co/3DAIGC/LAM_audio2exp/resolve/main/LAM_audio2exp_streaming.tar -P ./models/LAM_audio2exp/ tar -xzvf ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar -C ./models/LAM_audio2exp rm ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar # 阿里云 OSS 源国内镜像 wget https://virutalbuy-public.oss-cn-hangzhou.aliyuncs.com/share/aigc3d/data/LAM/LAM_audio2exp_streaming.tar -P ./models/LAM_audio2exp/ tar -xzvf ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar -C ./models/LAM_audio2exp rm ./models/LAM_audio2exp/LAM_audio2exp_streaming.tar手动下载时务必保持目录名与配置默认值一致models/wav2vec2-base-960h与models/LAM_audio2exp否则需要在 Handler 配置 中覆盖feature_extractor_model_name或model_name。Handler 配置项详解Handler 的配置模型AvatarLAMConfig定义在 handler 源码 中继承自HandlerBaseConfigModel配置项默认值说明model_nameLAM_audio2expLAM 表情模型的目录名实际权重路径为model_root/LAM_audio2exp/pretrained_models/lam_audio2exp_streaming.tarfeature_extractor_model_namewav2vec2-base-960h特征提取器目录名加载为 backbone 的pretrained_encoder_pathaudio_sample_rate24000推理音频采样率Hz同时决定音频切片长度与输出avatar_audio的采样率在实际配置文件中该 Handler 通常只需一行即可启用其余参数走默认值LAM_Driver: module: avatar/lam/avatar_handler_lam_audio2expression注意模型根目录由 Chat Engine 全局配置chat_engine.model_root默认models决定加载流程 中通过DirectoryInfo.get_project_dir()拼接出最终绝对路径并将LAM_Audio2Expression算法子模块目录临时加入sys.path后导入引擎。源码级运行原理模型加载与预热load()阶段完成以下关键步骤见 handler 源码将 handler 自带的LAM_Audio2Expression算法包目录追加到sys.path导入default_config_parser、default_setup与INFER引擎通过default_config_parser读取算法包内的configs/lam_audio2exp_config_streaming.py流式推理配置并将模型权重路径、wav2vec2 预训练编码器路径与wav2vec2_config.json注入配置构建INFER推理对象并调用model.eval()切换到推理模式读取 52 个 ARKit 通道名预热warmup向推理引擎送入 1 秒audio_sample_rate个采样点的零音频执行一次流式推理并打印耗时日志——这一步可显著降低首帧推理延迟。会话与流式推理每个会话通过create_context()创建独立的AvatarLAMContext其中会初始化一个 1 秒长度的音频切片器SliceContextslice_size audio_sample_rate * 1.0。处理一条音频数据时handle 方法首次收到音频时创建新的输出流stream命名为lam_audio2expression且cancelableTrue以便打断将输入音频按 1 秒切片送入队列逐片调用infer.infer_streaming_audio(audio, ssr, context)进行流式增量推理——上一片的隐状态context_update会作为下一片的context传入实现跨切片的表情连续性若这是数据流末尾is_last先 flush 切片器残余数据再补发一段 50 采样点的静音片段以确保推理完整收敛随后将流标记为结束每一帧推理结果中的expression52 维浮点数组被打包为DataBundlearkit_face作为主数据同时附带对齐的avatar_audio切片与元信息stream_key、可选的表情对应文本avatar_speech_text通过streamer.stream_data(output, finish_streamis_last)推送下游。打断与取消由于流支持取消Handler 通过on_signal()响应STREAM_CANCEL信号见 handler 源码当关联流被取消时从活跃流集合中移除该流handle()循环会在下一片音频前检测到该流已失效停止推理并重置推理上下文。这保证了用户在说话中途打断时表情驱动能快速停止而非继续消耗算力。依赖与运行环境该 Handler 的第三方依赖声明在 pyproject.toml 中addict配置字典工具、yapf、transformerswav2vec2 推理、termcolor并要求 Python3.10, 3.13。完整链路配置、安装与启动LAM 数字人方案的最小可用链路是LAM 客户端 VAD ASR LLM 云 TTS LAM 表情驱动官方预置的 config/chat_with_lam.yaml 已经配好全部环节。其 Handler 接线核心如下chat_engine: model_root: models handler_configs: LamClient: # 端侧渲染客户端选择形象资产 module: client/ws_lam_client/ws_lam_client_handler asset_path: lam_samples/barbara.zip # 预置形象之一 connection_ttl: 900 upstream_mode: ws InterruptHandler: # 打断处理器 module: logic/interrupt/interrupt_handler SileroVad: # 本地 VAD 检测说话区间 module: vad/silerovad/vad_handler_silero speaking_threshold: 0.15 ... SenseVoice: # 本地 ASR 语音识别 enabled: True module: asr/sensevoice/asr_handler_sensevoice model_name: iic/SenseVoiceSmall CosyVoice: # 百炼云端 TTS enabled: True module: tts/bailian_tts/tts_handler_cosyvoice_bailian voice: longxiaocheng LLMOpenAICompatible: # 对话大模型 enabled: True module: llm/openai_compatible/llm_handler_openai_compatible model_name: qwen-plus api_url: https://dashscope.aliyuncs.com/compatible-mode/v1 LAM_Driver: # 本文主角语音→表情 module: avatar/lam/avatar_handler_lam_audio2expression该方案中只有 VAD 与 ASR 在本地 GPU 上运行TTS 与 LLM 走云端百炼因此对机器性能依赖很轻、可支持一机多路并发详见 docs/getting-started/lam.md。端侧形象由 LAM Client Handler 负责仓库预置了barbara.zip、james.zip、status.zip、vfhq_case1.zip等多个示例形象位于 lam_samples也可通过 LAM 项目自行训练形象后替换asset_path。按文档的快速开始顺序部署即可# 1. 安装依赖并注册本 Handler uv run install.py --config config/chat_with_lam.yaml # 2. 下载 LAM 依赖模型wav2vec2 LAM_audio2exp uv run scripts/download_models.py --handler lam # 3. 启动服务 uv run src/demo.py --config config/chat_with_lam.yaml验证与排错要点模型路径核对启动前确认models/wav2vec2-base-960h/与models/LAM_audio2exp/pretrained_models/lam_audio2exp_streaming.tar存在启动日志中出现的LAM_Audio2Expression warmup finished in ... milliseconds.即表示模型加载与预热成功。配置项命名AvatarLAMConfig中的三个可覆盖项分别对应model_name、feature_extractor_model_name、audio_sample_rate若手动更换模型目录需同步调整。打断不生效确认InterruptHandler已启用且输入音频流的取消语义cancelableTrue被上游正常传递否则STREAM_CANCEL信号不会被分发到本 Handler。Python 版本本 Handler 依赖包要求 Python 3.10–3.13 区间使用uv管理环境可避免版本冲突。赞分享数字人AI 应用语音多模态音视频后端【免费下载链接】OpenAvatarChat项目地址https://gitcode.com/gh_mirrors/op/OpenAvatarChat点击查看免费下载相关推荐如何快速实现Fay数字人面部表情实时驱动从语音到表情的完整参数化方案如何快速实现Fay数字人面部表情实时驱动从语音到表情的完整参数化方案 Fay是一款开源数字人框架集成了语言模型和数字角色提供零售、助手和代理版本适用于虚3步掌握Fay数字人表情驱动从语音到唇形动画的完整工作流3步掌握Fay数字人表情驱动从语音到唇形动画的完整工作流 Fay是一款开源数字人框架集成了语言模型和数字角色提供零售版、助手版和代理版适用于虚拟导购、主Fay数字人情感分析模型部署优化Fay数字人情感分析模型部署优化 情感分析是Fay数字人框架实现自然交互的核心能力之一直接影响虚拟角色对用户情绪的理解与回应质量。本文将从模型选型、性能优化到上一篇StaffML 题库北星North Star v2方法论如何用专家评审与第一性原理推导 ML 系统面试题库的规模与分布下一篇NautilusTrader 架构指南事件驱动交易引擎的组件、流程与工程实践创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
：把 Cline MCP 的 endpoint 改到 TaoToken)
