微信聊天克隆数字分身 WeClone让记忆中的TA永生

微信聊天记录克隆数字分身：WeClone项目让记忆中的TA在数字世界永生

你的微信里有没有一个对话窗？它很久都没有弹出新消息，但你却常常在深夜里点开反反复复地翻着那些旧日的对话。如果现在，你可以用这些聊天记录克隆出对方的"数字分身"，保存下TA说话的语气、风格、独特的口头禅，甚至还能给你发来语音，你会怎么选择？

最近，GitHub上新开源了一个名为WeClone的项目——让你记忆里的那个TA在数字世界里永生，已不再是不可能实现的幻想。

项目概述

WeClone通过个人微信聊天记录对大语言模型(LLM)进行微调，打造个性化的数字分身。它提供从文本生成到语音克隆、从训练到部署的全链路解决方案，让数字分身不仅能够模仿TA的说话方式，还能还原TA的声音特征。

除了留住记忆里的TA，你也可以创造自己的数字分身。想象一下，和自己聊天会是什么样的体验？你会喜欢和自己对话吗？

数字人技术的可玩性确实很高，一经推出就在国内外引起了广泛关注。许多网友纷纷脑洞大开，提出了各种有趣的应用场景。

项目地址：https://github.com/xming521/weclone

核心功能

1. 使用微信聊天记录微调LLM

WeClone支持导出微信聊天记录，并进行格式化处理成问答格式，用于模型微调。在模型微调方面：

• 基于LoRA支持对主流0.5B-7B规模模型进行低资源微调
• 支持ChatGLM3-6B、Qwen2.5-7B等模型
• 有效捕捉用户的语言习惯和表达方式
• 训练需要约16GB显存，显存需求可控

2. 语音克隆技术

项目配套子模块WeClone-audio基于轻量级Tacotron或WavLM模型：

• 仅需0.5B参数模型和5秒语音样本
• 克隆出相似度高达95%的声音
• 进一步增强数字分身的真实感

3. 多平台部署

通过AstrBot框架，可将数字分身部署到：

• 微信
• QQ
• Telegram
• 企业微信
• 飞书

一行命令即可快速启动，与数字分身实时对话。

应用场景

1. 个人助理定制：在你忙碌时，数字分身可以代替你回复消息，处理日常事务
2. 内容创作：快速产出特定风格的个性化文本内容，帮助运营多个风格一致的小号
3. 数字永生：创建自己或者他人的数字分身，实现记忆的永久保存

技术实现

WeClone的数字分身全链路核心模块包括三部分：

1. 数据导出与预处理

   • 将微信导出的CSV/SQLite文件转为标准JSON
   • 文本清洗去除噪声和敏感信息
   • 分割对话信息并保留时间戳

2. 模型微调

   • 使用ChatGLM3-6B为基础模型
   • 基于LoRA框架进行SFT微调
   • 关键技术亮点：
     • 使用低秩适配器减少可训练参数
     • 支持单机/分布式训练

3. 模型部署

   • 使用FastAPI/Flask打包微调后的模型
   • 支持GPU/CPU混合部署
   • 多平台登录支持
   • 自定义参数功能

安装与使用教程

环境搭建

建议使用uv(Python环境管理器)：

git clone https://github.com/xming521/WeClone.git
cd WeClone
uv venv .venv --python=3.9
source .venv/bin/activate
uv pip install --group main -e .

注意：训练和推理相关配置统一在settings.json文件中。

数据准备

1. 使用PyWxDump提取微信聊天记录
2. 解密数据库后导出CSV格式
3. 将导出的CSV文件夹放在./data/csv目录下

数据预处理

项目默认会去除：

• 手机号
• 身份证号
• 邮箱
• 网址

还提供了禁用词词库blocked_words，可自行添加需要过滤的词句。

执行./make_dataset/csv_to_json.py脚本处理数据。

对于连续回答多句的情况，提供三种处理方式：

模型下载

推荐从Hugging Face下载ChatGLM3模型。如遇下载问题，可使用魔搭社区：

export USE_MODELSCOPE_HUB=1  # Windows使用`set USE_MODELSCOPE_HUB=1`
git lfs install
git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git

注意：魔搭社区的modeling_chatglm.py文件需要更换为Hugging Face版本。

训练配置

1. (可选)修改settings.json选择本地下载的其他模型
2. 调整per_device_train_batch_size和gradient_accumulation_steps控制显存占用
3. 根据数据集调整num_train_epochs、lora_rank、lora_dropout等参数

单卡训练

python src/train_sft.py

多卡训练

uv pip install deepspeed
deepspeed --num_gpus=使用显卡数量 src/train_sft.py

推理测试

1. 浏览器demo：

   python ./src/web_demo.py

2. API接口：

   python ./src/api_service.py

3. 常见问题测试：

   python ./src/test_model.py

部署到聊天机器人

AstrBot方案

AstrBot是易上手的多平台LLM聊天机器人及开发框架。

部署步骤：

1. 部署AstrBot
2. 在AstrBot中部署消息平台
3. 启动API服务：python ./src/api_service.py
4. 在AstrBot中新增OpenAI类型服务提供商
5. 关闭默认工具：/tool off reminder
6. 根据微调时使用的default_system设置系统提示词

通过WeClone项目，我们不仅能够保存珍贵的记忆，还能探索人与AI交互的无限可能。这项技术正在重新定义我们与数字世界互动的方式。