Duix.Avatar 本地部署教程：用 10 秒视频克隆数字人，30 分钟生成口播视频-二趣网

Duix.Avatar 本地部署教程：用 10 秒视频克隆数字人，30 分钟生成口播视频

【免费下载链接】Duix-Avatar🚀 Truly open-source AI avatar(digital human) toolkit for offline video generation and digital human cloning.项目地址: https://gitcode.com/GitHub_Trending/he/Duix-Avatar

Duix.Avatar 是一款可本地部署、完全开源的 AI 数字人工具，由硅基智能（Duix.com）发布。它把"克隆外貌 + 克隆声音 + 生成口播视频"整合进一条离线流水线：上传一段约 10 秒的说话视频，即可训练出可驱动的数字人形象；之后再输入文字或直接传音频，就能在本地 NVIDIA 显卡上合成口型匹配的口播视频，全程无需联网。它适合三类人：想批量产出口播内容却不想出镜的自媒体创作者、需要标准化讲师形象的教育机构，以及希望把数字人接入自有系统的开发者。因为数据不出本机、也没有订阅费，它对注重隐私与成本的用户比较友好。

部署前准备：先核对硬件与磁盘

在装任何东西之前，先把硬件门槛和磁盘空间核一遍，能省下后面反复排错的功夫。

核对系统、显卡与内存

系统：Windows 10（19042.1526 及以上）或 Ubuntu 22.04（内核 6.8.0-52-generic 已验证）。
显卡：NVIDIA 显卡且驱动必须装对；RTX 30/40 系列验证通过，50 系列需用专用镜像。
内存：32GB 及以上是硬要求，16GB 的机器往往连 ASR 服务都起不来。
参考配置：13 代 i5-13400F，显卡 rtx-4070。

验证 NVIDIA 驱动是否就绪

本项目所有算力都跑在本地，没有 NVIDIA 显卡或驱动，三个服务根本起不来。在终端执行nvidia-smi，能看到显卡型号与驱动版本才算通过。

规划磁盘空间

Windows 下 C 盘存服务镜像，留 100GB 以上空余；D 盘存数字人、音频与作品数据，留 30GB 以上。C 盘不够时，装好 Docker 后打开 Docker Desktop 的 Resources → Advanced，把 Disk image location 改到空间更大的磁盘，再点 Apply & restart。

服务端离线拉起：一条命令启动三个服务

服务端由 Docker 拉起，三个镜像分别负责语音合成、语音识别和视频生成。

Windows 下先装好 Docker 与 WSL

打开 PowerShell，执行wsl --list --verbose查看是否已装 WSL，未装则执行wsl --install，过程中设置的登录用户名和密码要记牢。
执行wsl --update把 WSL 更新到最新版。
从 Docker 官网下载 Windows 版 Docker Desktop 并安装，首次启动接受协议、跳过登录即可。

一条命令启动服务

克隆仓库进入 deploy/ 目录执行docker-compose up -d，Docker 会拉取并启动三个镜像，耗时约半小时、下载量约 70GB，建议连 Wi-Fi。只想跑视频生成单服务时，用 lite 版：docker-compose -f docker-compose-lite.yml up -d。

git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar cd Duix-Avatar/deploy docker-compose up -d

Ubuntu 22.04 的额外准备

先用docker --version检查是否已装 Docker，没装则执行sudo apt update && sudo apt install docker.io docker-compose。装好 NVIDIA 驱动（nvidia-smi验证）后，再安装 NVIDIA Container Toolkit：添加 NVIDIA 包仓库，sudo apt-get install -y nvidia-container-toolkit，sudo nvidia-ctk runtime configure --runtime=docker，sudo systemctl restart docker。最后在 deploy 目录执行docker-compose -f docker-compose-linux.yml up -d；50 系列显卡（或 30/40 系 CUDA12.8 用户）改用docker-compose -f docker-compose-5090.yml up -d。

安装桌面客户端

Windows 客户端

从项目发布页下载对应安装包，双击Duix.Avatar-x.x.x-setup.exe完成安装即可使用。

Linux 客户端

下载 Linux 版Duix.Avatar-x.x.x.AppImage，双击直接启动、无需安装；root 用户进桌面时双击可能失效，改在终端执行./Duix.Avatar-x.x.x.AppImage --no-sandbox启动。

克隆素材拍摄要点

克隆质量取决于原始视频，拍之前先把素材标准定好，比事后返工省事。

时长与说话内容

时长 10～20 秒：太短提取不到足够特征，太长徒增处理时间。
必须是真人对着镜头说话，且视频里要有清晰人声——系统靠这段声音做声音克隆。
无声或时长不足的素材，会直接导致创建失败。

光线、角度与声音

面部光线均匀、避免阴影与逆光；尽量正面拍摄，避免侧脸或遮挡；背景简洁、口齿清晰，便于识别面部特征与还原音色。

创建数字人并生成口播视频

服务端与客户端都就绪后，整条链路在客户端界面里完成。

上传视频，克隆形象与声音

打开客户端，点击首页的 Create Avatar。
选择准备好的视频上传，系统自动提取面部特征与声音特征，训练出数字人模型，几分钟完成，耗时随硬件浮动。
完成后在 My Avatars 列表里能看到新模型。

输入文案，生成口播视频

在 My Avatars 里选中刚创建的模型。
进入 Create Video，输入要说的文案，或直接上传一段音频文件。
点击生成，本地 GPU 合成口型匹配的视频，几分钟后可在 My Works 列表查看与下载。

多模型与多语言

客户端支持导入并管理多个模型，可按需切换；脚本支持 8 种语言——中文、英语、日语、韩语、法语、德语、阿拉伯语、西班牙语。

常见问题排查

大多数问题出在拉镜像和音频环节，先自查再动手。

镜像拉取失败：配置加速源

docker-compose up -d卡在拉镜像、报registry-1.docker.io连接超时，多因 Docker Hub 官方源不稳定。打开 Docker Desktop 的 Docker Engine，在 JSON 里加入registry-mirrors后 Apply & restart；Ubuntu 则编辑/etc/docker/daemon.json写入同样字段再重启 Docker。

克隆报 Connection refused

新增模特报Connection refused（fun asr 连接被拒），通常是 ASR 服务启动较慢，服务端起来后等几分钟再做克隆；内存只有 16GB 的机器可能根本起不来该服务。创建失败若提示需要声音，先检查素材里是否有人在说话。

用日志定位错误

视频生成卡住或报错时，客户端点右上角 Open Log 查看本地日志；服务端则打开对应 Docker 容器的 Logs 页，按报错关键词（如 file not exists、Connection refused）定位到音频路径或服务异常。

本地 API 与工程结构

对需要把数字人接进自有系统的开发者，Docker 启动后在本地暴露了三个端口，通过http://127.0.0.1即可调用。

三个开放端口

语音合成 TTS：18180（映射容器 8080）。
语音识别 ASR：10095。
视频合成：8383。

从训练到合成的调用链

模特训练调用POST /v1/preprocess_and_tran（18180），先把视频拆成静音视频加音频，音频放入约定目录，返回asr_format_audio_url与reference_audio_text；音频合成调用POST /v1/invoke（18180），传入文本与上一步返回的参考音频字段生成 wav；视频合成调用POST /easy/submit（8383）提交，再用GET /easy/query?code=…查进度。完整参数见 src/main/service/model.js 以及同目录的 voice.js、video.js；更多问题见常见问题。

作为持续迭代的开源项目，社区更新较频繁，遇到问题先升级到最新版服务端与客户端，多数问题新版已修复，商用授权与边界以LICENSE为准。先按上文核对硬件、装好 Docker 并配置好加速源，再拿一段 10 秒视频跑一次克隆，即可验证整条本地链路是否打通。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析