my-neuro : un poste de travail pour fabriquer un compagnon de bureau Live2D
This project lets you create your own AI desktop companion with customizable characters and voice conversations that respond in just 1 second. Features include long-term memory, visual recognition, voice cloning and LLM training. Compatible with various Live2D customizations.
En bref
- De quoi s’agit-il ?
- Le dépôt morettt/my-neuro assemble TTS, mémoire longue, vision et pilotage Live2D dans un seul projet JavaScript sous licence MIT. La promesse d'une latence sous la seconde tient à une condition que le README énonce lui-même : tout faire tourner en local.
- À qui s’adresse-t-il ?
- my-neuro convient à celles et ceux qui acceptent de faire tourner l'inférence sur leur propre machine et de passer du temps dans les dossiers de configuration : c'est un atelier, pas un produit fini. Il ne convient pas si vous cherchez un binaire stable, une documentation en français ou un support éditeur, et l'état des cases non cochées du README (émotion persistante, interactions type « humain ») doit être considéré comme non livré.
- Puis-je l’utiliser commercialement ?
- Oui. MIT est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Les derniers commits datent d’il y a 2 jours.
- En quel langage est-il écrit ?
- Principalement JavaScript, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Le problème : recoller soi-même une chaîne d'IA incarnée
Faire parler un personnage de bureau demande au minimum quatre briques : un moteur de rendu Live2D, une synthèse vocale, un modèle de langage et une couche qui décide quand déclencher quoi. La plupart des projets libres n'en fournissent qu'une et laissent l'assemblage au lecteur. my-neuro prend le parti inverse : il se présente comme un poste de travail, avec un pack d'installation prêt à décompresser pour les débutants et un dossier LLM-studio séparé pour celles et ceux qui veulent une inférence ou un affinage entièrement locaux, sans API tierce. Le public visé est donc double. D'un côté des utilisateurs qui veulent un personnage fonctionnel sans écrire de code, de l'autre des personnes prêtes à entraîner une voix et à brancher un modèle local. Le README assume ce positionnement : le projet se décrit comme un ensemble d'outils que l'on assemble pas à pas, et non comme un logiciel dont le comportement est fixé à l'avance. Cette ambiguïté est aussi sa principale difficulté : un atelier demande de comprendre ce que l'on manipule.
Le flux d'exécution, du micro au modèle Live2D
Le dépôt fournit un schéma de flux à l'image/runtime-flow-dark-tech-cn.svg, et les fonctions cochées du README permettent de reconstituer les étapes. L'entrée est vocale ou clavier. La couche langage produit une réponse, et le README insiste sur la synchronisation entre sous-titres et sortie audio, avec une option pour afficher des sous-titres en chinois pendant qu'un modèle TTS parle dans une autre langue. Le rendu du personnage reçoit de son côté des instructions d'expression et d'action dérivées du contenu de la conversation. Trois greffes externes sont nommées explicitement : GPT-SoVITS pour la synthèse vocale, MemOS de MemTensor pour la mémoire, et playwright-mcp de Microsoft pour les actions sur pages web via MCP. Un point de conception mérite d'être relevé : la vision n'est pas déclenchée en permanence. Le README indique que l'intention exprimée en langage décide du moment où la reconnaissance d'image est activée. C'est un choix raisonnable pour la latence et le coût de calcul, mais il déplace le problème : une image pertinente peut être ignorée si le modèle ne juge pas utile de la regarder.
La latence sous la seconde dépend d'une condition non négociable
La fonction « dialogue en moins d'une seconde » est listée comme acquise, mais la même ligne précise « inférence entièrement locale ». Autrement dit, la performance annoncée est liée à l'exécution sur la machine de l'utilisateur, pas à un service distant. Le README ne donne ni configuration matérielle de référence ni protocole de mesure, et cette analyse ne peut donc pas confirmer le chiffre. Ce qu'on peut dire, c'est que la contrainte est structurelle : dès que vous remplacez le modèle local par un appel à une API distante, vous ajoutez un aller-retour réseau que le projet ne contrôle pas. La promesse et l'architecture locale sont donc la même décision. Pour un lecteur qui possède déjà une carte graphique adaptée, c'est cohérent. Pour celui qui espère obtenir cette latence depuis un ordinateur portable sans GPU, rien dans le matériel fourni ne permet de l'affirmer.
Installation : un pack décompressé ou un dossier LLM-studio
Le README renvoie le déploiement vers un site externe, mynewbot.com/tutorials, et propose en parallèle un pack d'installation hébergé sur Baidu. La consigne associée est précise et restrictive : le chemin du fichier ne doit contenir ni caractère chinois, ni espace, ni parenthèse. C'est le genre de détail qui fait échouer une installation avant même le premier lancement, et il faut le traiter comme une contrainte, pas comme une recommandation. Pour l'inférence locale, le README indique d'ouvrir le dossier LLM-studio, qui contient selon lui les instructions d'inférence et d'affinage des modèles locaux. Aucune commande n'est reproduite dans le README lui-même : le matériel fourni ne permet donc pas de citer ici une ligne de terminal ou une clé de configuration vérifiable. Les releases récentes incluent une archive d'installation (exe3.0) et des versions applicatives (v6.7.1, v6.7.2), ce qui suggère une distribution par paquets plutôt que par gestionnaire de paquets. Si vous cherchez un pip install ou un npm install documenté dans le dépôt, vous ne le trouverez pas dans les éléments disponibles.
Ce que le projet ne fait pas encore, et le dit
La liste de fonctionnalités de my-neuro est inhabituellement honnête sur ses manques. Deux entrées centrales restent décochées : la simulation d'une vraie émotion, avec un état émotionnel propre au personnage, et une expérience d'interaction décrite comme proche de l'humain. Le README situe lui-même le projet autour de 30 % de ses fonctionnalités, avec un objectif de 60 % annoncé pour juin et l'émotion persistante comme chantier prioritaire. Un lecteur qui adopte my-neuro pour son personnage « qui se souvient et qui ressent » achète donc aujourd'hui la mémoire et la voix, pas l'état émotionnel continu. D'autres limites sont visibles dans la structure : la mémoire longue repose sur MemOS, un projet externe, donc la qualité du rappel dépend d'un composant que my-neuro ne maintient pas. La liste mentionne aussi des fonctions encore ouvertes, comme l'accès aux plateformes de diffusion étrangères, et un mode « jeu » dont seuls Minecraft et les galgame sont indiqués comme branchés. Enfin, la diffusion en direct n'est citée que pour Bilibili.
GPT-SoVITS, MemOS, Mindcraft : ce que l'assemblage change par rapport à un agent générique
La comparaison la plus utile n'est pas avec un autre compagnon de bureau, mais avec un agent conversationnel classique type assistant à outils. Un agent générique optimise la tâche : chercher, résumer, appeler une fonction. my-neuro optimise la présence : une voix clonée, un modèle Live2D remplaçable, une mémoire qui retient des traits de personnalité, des déclenchements d'effets sonores décidés par le modèle. La différence se voit dans les dépendances citées. Mindcraft, le projet d'IA qui joue à Minecraft, est intégré pour le jeu en coopération ; playwright-mcp sert à piloter des pages web via MCP. Un assistant classique n'a pas besoin de rendre une expression faciale après une réplique. À l'inverse, il gère mieux les tâches longues et vérifiables. Choisir my-neuro, c'est choisir un rendu et une voix au prix d'une chaîne plus lourde à installer et plus dépendante de composants tiers.
Licence MIT, composants empruntés et coût de maintenance
Le dépôt est publié sous MIT, une licence permissive qui autorise la réutilisation et la modification avec conservation de la mention de copyright. Attention toutefois : cette licence couvre le code de my-neuro, pas les projets qu'il appelle. GPT-SoVITS, MemOS, Mindcraft et playwright-mcp ont leurs propres conditions, et le modèle Live2D que vous importerez a les siennes, souvent plus restrictives que MIT. Le README ne traite pas ce point, et il n'est pas possible de conclure depuis les éléments fournis sur ce que chaque modèle autorise. Côté maintenance, le rythme de publication est soutenu, avec plusieurs versions en septembre 2026, ce qui implique des mises à jour fréquentes à suivre si vous adaptez le code. Le financement affiché repose sur des dons via une plateforme de soutien, et le README mentionne des contributeurs individuels pour certaines fonctions. C'est un indicateur de dépendance à une petite équipe : un composant comme la mémoire ou le TTS peut évoluer sans que l'intégration suive immédiatement.
Conclusion éditoriale
my-neuro convient à celles et ceux qui acceptent de faire tourner l'inférence sur leur propre machine et de passer du temps dans les dossiers de configuration : c'est un atelier, pas un produit fini. Il ne convient pas si vous cherchez un binaire stable, une documentation en français ou un support éditeur, et l'état des cases non cochées du README (émotion persistante, interactions type « humain ») doit être considéré comme non livré. Avant de vous engager, vérifiez trois choses concrètes : le contenu du dossier LLM-studio pour l'inférence locale, la présence d'un fichier de licence et de crédits pour le modèle Live2D que vous comptez utiliser, et le fait que le chemin d'installation ne contienne ni espace ni parenthèse, comme l'exige le pack d'installation.
Notes de la communauté