Veyra：把 PS5 的画面在 PC 上变成 120 帧

一、一个让人心动的瞬间

你坐在电脑前，PS5 上刚打开《GTA 6》，画面是 4K 30 帧。传统方案要么去开远程串流——延迟高得没法玩；要么拿采集卡怼进主机——多一套硬件、多一路 HDMI、还得折腾 OBS。Veyra 想做的是第三件事：在 PC 上用一块显卡，把这条视频流实时处理成更高帧率、更清晰的画面。

Veyra 是 Likely7 在 2026 年 9 月开源的 Windows 桌面应用。截至 2026 年 11 月 7 日，它在 GitHub 上拿到 1013 星、54 fork，开源协议是 GPL-3.0，仓库里躺着 2457 个文件、约 13MB 的 C++ 代码。作者在 README 中写明，发布包的累计下载量已超过 38K（2026-10-20 快照，且下载次数不等于独立用户数）。

二、它到底解决什么问题

Veyra 的定位可以概括为一句话：一个引擎，承接任意输入源，输出实时增强后的画面。

输入侧覆盖四大类来源：

• 本地视频文件（MP4/MKV 等，走内置 FFmpeg 9.0.1 拆解与解码）
• 采集卡（Elgato、Magewell、AVerMedia、黑magic DeckLink 等厂商 SDK 都在仓库里带授权声明）
• 屏幕捕获（Windows Graphics Capture，WGC）
• 游戏主机串流（PS5 走 Chiaki 协议，PC 走 Moonlight/Sunshine 兼容路径，Xbox 是非官方实验性支持）

输出侧则是一条 GPU 管线，把每一帧依次送过若干「节点」：

管线里可串联的能力包括：AI 超分辨率（NVIDIA RTX Video SR 三族模型、双段独立二次超分、SR 后降采样；AMD 侧有自研的 RX 9000/RX 7000 NR 路径）、降噪（分层 NR，每层独立强度/缩放/色彩参数）、抗锯齿（FXAA/SMAA/MLAA 独立可配）、帧生成（DLSS Frame Generation、FSR3 Frame Gen、XeSS MFG，含 RTX 30 系 VFG 兼容改造）、HDR 映射（含 Dolby Vision P5 基础层转换与 P7 增强层合成）、美颜（YuNet 人脸检测 + 468 点面部网格跟踪 + 眉眼唇排除）、色彩分级（九项手动色彩控制 + LUT）。

三、生活化的类比

如果把普通播放器比作「把照片原样摆在桌上」，Veyra 更像一个装在窗前的专业滤镜台：光源进来，先经过降噪把画面里的噪点抹掉，再经过超分把小图拉大并重建细节，然后是磨皮、锐化、调色，最后才挂到墙上（显示器）。而你手里那台 PC 显卡，就是这个滤镜台背后真正的引擎——它必须在 16.7 毫秒内把这一切做完，还要给你留出插帧的余量。

这也是为什么这个项目对显卡要求高：这不是「跑得起来就行」的玩具，是要跟得上每一帧的实时系统。

四、上手门槛：两条截然不同的路

路线 A：直接用发布包（推荐给绝大多数人）

仓库的 Release 区提供 v2.1.3（2026-11-06 发布）以及对应的 v2.1.3-sources 源码档，每个 Release 还单独挂了 dependencies 源码 ZIP，附 SHA256 校验值。AMD 与 NVIDIA 分别出包。

下载即用，Windows 11 + 显卡 + 驱动，剩下的是配置源和参数。官方文档还提供了一份飞书知识库，把四个群聊里的踩坑经验整理成册。

路线 B：从源码构建

这条路非常明确地只面向 Windows 开发者：

依赖项	具体要求
编译器	MSVC 2022，C++20
构建系统	CMake + Ninja，Release 配置
框架	Qt 6.8.3（msvc2022_64）
第三方库	vcpkg 清单 + FFmpeg 9.0.1（含 PS5 slices256、dav1d、PGS zlib 补丁）、NVIDIA NGX runtime、Chiaki、Moonlight、SoundTouch、OpenCV DIS
构建入口	scripts/acceptance/build-recording-handoff.py（334 个 Python 验收脚本）

有意思的是，作者没有把依赖写死在一份 requirements.txt 里，而是把每个依赖的源码 ZIP 也一并归档到 Release，并用 SHA256 固定对应关系——这是为了让「今天构建出来的二进制」和「源码库里的代码」严格可追溯。

硬件需求（实际跑起来的门槛）

• 显卡必需：NVIDIA RTX 30 系及以上（DLSS/NGX 路径），或 AMD RX 7000/9000（自研 NR 路径）
• 显存：建议 8GB 以上，8K 源需额外做 VRAM 预算检查
• 内存：16GB 起
• 磁盘：约 2GB（源码树 78MB，依赖源码包若干）

五、值得称道的工程细节

1. 文档即代码的一部分。 docs/ 目录有 691 个文件，每个版本都有对应的 BUILD_x.y.z.md（构建与源码对应关系，含 EXE 的 SHA256）、RELEASE_NOTES_x.y.z.md、TEST_NOTES_x.y.z.md，以及针对具体缺陷的专题报告（如 FG_LATENCY_BUDGET_RETIRED_2026-11-05.md、RDNA3_WORKER_CRASH_2026-11-03.md）。这种「每次改动都有据可查」的做法在个人项目里相当罕见。

2. 不猜，只报错。 项目自研了一个极简 ONNX 解析器（src/beauty/OnnxLite.cpp）和一个 TFLite Flatbuffer 解析器（src/beauty/TfliteLite.cpp），代码注释里明说：读不懂的部分报错而不是猜。这在 ML 模型接入里是罕见的态度。

3. 测试规模可观。 tests/ 下有 172 个 C++ 测试文件（单元 + 集成 + GPU 契约测试），scripts/acceptance/ 有 334 个 Python 验收脚本，另有 tools/ 下 30 多个专用探针工具（帧生成测试台、NR 测试台、DLSSG 解锁探针、采集色度探针等）。

4. 性能有真实数据。 README 给出 RTX 5070 上 4K 抗锯齿的实际耗时：FXAA 约 0.15ms、SMAA/MLAA 约 0.30ms；最终人脸网格 1080p 约 0.93ms、4K 约 1.42ms。同时明确写出「未在本地测得 AMD 的加速百分比」——不虚报跨厂商数据。

六、争议与局限：必须说清楚

1. 它不是「AI 播放器」那么简单，AI 只占一小块。 严格讲，Veyra 的主体是 GPU 着色器管线 + 厂商 SDK 集成（NVIDIA NGX/DLSS、AMD 私有模型、Chiaki 串流协议）。真正属于「机器学习」的自研部分只有两处：YuNet 人脸检测（OpenCV Zoo 的 MIT 模型）和 AMD 侧的 NR 模型。其余的超分/插帧大多依赖 NVIDIA 或 AMD 的闭源运行时（NGX runtime、lmxxf、RedDuke）。

2. Windows 独占，没有容器化。 仓库里没有 Dockerfile、没有 docker-compose、没有 K8s 清单，也没有 CI workflow（唯一的 .github/workflows 是 star-history 画图）。这意味着：无法在 Linux 容器或 CI 中复现构建，也意味着从零复现构建的门槛极高——作者自己的开发文档里，依赖路径全是 E:/项目/Veyra/deps/... 这种本地绝对路径。

3. 第三方组件的许可结构复杂。 Veyra 自身是 GPL-3.0，但 licenses/ 目录里同时包含 MIT、LGPL、Apache-2.0、AGPL-3.0+OpenSSL 例外等多套协议（Chiaki 组合遵循 AGPLv3 及 OpenSSL 例外）。第三方专有/社区实验组件按 manifest 记录身份并在运行包中提供许可文件。混用 GPL 与 AGPL 组件进行二次分发时需要法律评估。

4. Issue 暴露的成熟度问题。 52 个开放 Issue 里，有实打实的未修复缺陷：AMD RX 9060 XT 在首个 NR 帧上崩溃（amdhip64_7.dll+0x4A40A0，2.1.2/2.1.3 均可复现）；2.1.3 升级后无法切换到 RTX Video SR 缩放算法；MJPEG 采集模式下 DLSS 插帧卡顿；WGC 窗口采集 CreateForWindow hr=0x80070005 权限失败。也有社区主动提交的 PR（如移除无效的 HDR10 静态元数据功能、Dolby Vision P5/P7 支持）。

5. 迭代节奏极快，文档追在后面。 版本号从 2.0.0 一路到 2.1.3，发布记录里满是「修复」「重构建」字样。作者用 AGENTS.md 记录每轮执行状态，但也自陈存在「间歇性失败原因未确定」的情况。这种节奏对生产环境使用者的兼容性保障是风险。

6. 单人主导的协作结构。 5 位贡献者中作者本人贡献 29 次，其余为 12、5、1、1 次。核心维护高度集中。

七、行业意义

Veyra 所在的位置，是「主机游戏 PC 化」这条 2026 年的技术支线上的一个极端样本：它不试图重新发明串流协议（Chiaki 是成熟开源项目），也不试图重新发明超分算法（直接对接 DLSS/XeSS/FSR），而是把捕获、解码、增强、插帧、录制、导出这些环节缝合成一个统一的实时引擎，并用「节点图 + 分层参数」把原本藏在各个播放器设置面板里的旋钮暴露出来。

从这个角度看，Veyra 的价值不在于发明了某个新算法，而在于它是目前少数把主机串流与本地视频放在同一条 GPU 管线上、做统一帧预算管理的 Windows 开源项目。项目文档里反复讨论的「延迟预算」「VSync 容量等待」「FG 锚点平滑」，本质上是实时图形工程里最难啃的那部分。

对开源社区而言，它还有一个示范意义：把模型文件、二进制和源码的对应关系用 SHA256 固定下来公开发布，让第三方可以验证「我看到的二进制确实来自这份源码」——这种可追溯性在国内个人开源项目里还相当少见。

最后值得一提的对比参照是《Nvidia Broadcast》这类商业软件和 Moonlight/Sunshine 这类开源串流工具：Veyra 填的是它们之间的缝隙——既要串流，又要串流后的实时画质增强，还要把增强后的结果录下来。这个需求此前只有商业软件能满足，而 Veyra 用 GPL-3.0 把它交了出来。

五分钟结论

维度	评价
部署难度	高——Windows 独占、无容器化、依赖链极重；但提供即用发布包
硬件门槛	高——RTX30+/RX7000+ 必需，显存建议 8GB+
AI 属性	中——SR/NR/美颜真实存在，但主体依赖厂商闭源运行时，自研 ML 部分有限
代码质量	良好——172 个 C++ 测试 + 334 个验收脚本 + 691 份文档，但缺 CI、单人主导
文档质量	优秀——双语 README + 每版本构建/发布/测试三件套 + SHA256 可追溯
生产可用性	谨慎乐观——2.1.3 仍有可复现崩溃与功能回归 Issue
二次开发价值	高（Windows 方向）——节点化管线设计清晰，着色器与探针工具齐全