一个本地运行的 AI 配音嫌疑分析工具。它可以分析视频、语音或音频文件，输出“低 / 中 / 高 / 样本不足”的筛查结果，并列出最可疑的时间段。
项目目标很明确：帮你快速判断一段中文视频里的配音是不是很像 AI 配音。它不是法医工具，也不能给出绝对结论。
- 从 Telegram 发一段视频给 bot，让 MacBook 本地分析后回传结果。
- 在命令行批量分析视频或音频。
- 作为 Hermes agent 的本地命令，由 Hermes 负责收消息和调度。
- 后续迁移到 NAS、Docker 或手机端。
- 本地抽音频：
ffmpeg - 音频统一格式：
16kHz mono wav - 片段切分：基于能量的轻量 VAD
- 模型推理：Hugging Face
transformers - 默认模型：
Hemgg/Deepfake-audio-detection - Telegram bot：可选功能，使用长轮询，不需要公网 IP
- 模型缓存：默认放在项目内
.cache/huggingface
默认模型主要基于英文数据训练。它可以跑中文音频，但结果只能当筛查信号。后续更适合接入 VoiceWukong / ADD / Codecfake 相关模型或自己微调的中文模型。
先装 ffmpeg：
brew install ffmpeg创建虚拟环境：
cd /Users/eric/个人/AI配音识别器
python3 -m venv .venv
source .venv/bin/activate
pip install -U pip
pip install -e .如果要用 Telegram bot：
pip install -e '.[telegram]'ai-dub-detector analyze ./sample.mp4保存 JSON 报告：
ai-dub-detector analyze ./sample.mp4 --output-json reports/sample.json只输出 JSON：
ai-dub-detector analyze ./sample.mp4 --json指定模型：
ai-dub-detector analyze ./sample.mp4 --model-id Hemgg/Deepfake-audio-detection只分析前 60 秒：
ai-dub-detector analyze ./sample.mp4 --max-duration 60默认使用保守阈值，优先降低真人口播被误报成 AI 的概率。也可以手动切换：
ai-dub-detector analyze ./sample.mp4 --calibration balanced
ai-dub-detector analyze ./sample.mp4 --calibration sensitiveApple Silicon Mac 如果 mps 有兼容问题，可以强制 CPU：
ai-dub-detector analyze ./sample.mp4 --device cpu复制环境变量模板：
cp .env.example .env把 .env 里的 TELEGRAM_BOT_TOKEN 换成 BotFather 给你的 token。然后启动：
source .venv/bin/activate
export $(grep -v '^#' .env | xargs)
ai-dub-detector telegram手机 Telegram 给 bot 发送视频、语音、音频文件即可。
默认临时文件在项目内 _work/，模型下载缓存在项目内 .cache/huggingface。这两个目录都不会提交到 GitHub。
如果只允许自己的 Telegram 账号使用，设置：
AI_DUB_ALLOWED_USER_IDS=123456789多个账号用逗号分隔。
第一版不绑定 Hermes 内部接口。Hermes 只要能调用本地命令，就可以这样用：
/Users/eric/个人/AI配音识别器/.venv/bin/ai-dub-detector analyze "$FILE_PATH" --device cpu --calibration conservative$FILE_PATH 是 Hermes 下载到本地的视频或音频文件路径。更完整的接入说明在 docs/hermes.md。
AI 配音嫌疑：高
综合分：0.82
最高片段分：0.91
有效人声：38.2 秒
分析片段：5 段
模型：Hemgg/Deepfake-audio-detection
可疑片段：
00:04-00:11 0.89 fake:0.89
00:18-00:26 0.84 fake:0.84
00:31-00:39 0.78 fake:0.78
备注：
- 模型输出是筛查分数，不适合作为单独证据。
高：多个片段分数明显偏高，值得人工复核。中：有可疑信号，但音频质量、BGM、压缩或模型泛化都可能影响结果。低：当前模型没有发现明显 AI 配音信号。样本不足：人声太短或太弱，结果没有参考价值。
阈值模式：
conservative：默认模式，降低误报。适合中文真人口播筛查。balanced：更接近普通二分类阈值。sensitive：更容易报可疑，适合宁可多查也不想漏掉的场景。
不要把分数当成“AI 概率的真值”。短视频平台的二次压缩、背景音乐、变速、降噪、混响、剪辑都会影响模型。
pip install -e '.[dev,telegram]'
pytest
ruff check .- 接入多个模型，做 ensemble 分数。
- 增加更好的 VAD 和人声/BGM 分离。
- 支持批量目录分析。
- 增加 Docker 部署文件，方便迁移到 NAS。
- 评估中文数据集上的表现，优先看 VoiceWukong、ADD、Codecfake 相关模型。
MIT