企业官网建设流程全解析

Duix.Avatar：开源AI数字人，10秒视频本地生成口播视频

【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 是由 Duix 出品的免费开源数字人工具，支持本地部署与 API 调用。它只需一段 10 秒左右的视频即可克隆人物形象与声音，输入文案或上传音频，就能在本地离线生成口型同步的口播视频，素材与算力均不出本机。

Duix.Avatar 的能力清单

• 形象与声音克隆：提交一段 10 秒左右的视频，系统同时提取五官轮廓等外貌特征与人声样本，生成数字人模型；克隆所用的声音样本必须来自视频内真实的人声。
• 口播视频生成：输入文本或上传音频驱动数字人口型，输出音画同步的视频，文本经语音合成服务转为语音后再与画面合成。
• 全离线运行：服务端基于 3 个 Docker 容器，全部算力在本地 GPU 完成，素材与数据不经过外网；数据目录约定为D:\duix_avatar_data。
• 多模型管理：可导入多个数字人模型，在客户端统一管理并按场景选择，模型与作品记录保存在本地数据库。
• 多语言界面：客户端支持英语、日语、韩语、中文、法语、德语、阿拉伯语、西班牙语 8 种语言切换。

商用授权方面，README 声明支持全球免费商用；用户量超过 10 万或年营收达 1000 万美元以上的企业需签署商业许可协议（见 LICENSE）。

Docker 部署走读：环境、命令与验证

前置条件：系统与硬件清单

执行：按系统选择路径

Windows 侧先检查 WSL 是否已安装（wsl --list --verbose，未装则wsl --install，网络不佳时多试几次），再执行wsl --update更新，随后从 Docker 官网下载 Docker Windows 版并按 CPU 架构安装。服务端配置在 deploy/docker-compose.yml 中，进入deploy目录执行：

docker-compose up -d

如需轻量版（仅启动视频生成一个服务）改用docker-compose -f docker-compose-lite.yml up -d；NVIDIA 50 系列显卡（5090 已测试通过，30/40 系列 CUDA 12.8 用户也可用）使用：

docker-compose -f docker-compose-5090.yml up -d

Ubuntu 侧先安装 Docker：

sudo apt update && sudo apt install docker.io docker-compose

再安装英伟达驱动（装完执行nvidia-smi能显示显卡信息即为成功）与 NVIDIA Container Toolkit，然后cd /deploy && docker-compose -f docker-compose-linux.yml up -d。

验证：成功信号判断

拉取镜像耗时约半小时（取决于网速，消耗约 70GB 流量，建议连 WiFi）。判断标准：Docker 中出现duix-avatar-asr、duix-avatar-tts、duix-avatar-gen-video三个服务且均为 Running 状态（lite 版本只有一个duix-avatar-gen-video）。客户端从 GitHub Releases 下载对应系统的安装包：Windows 双击Duix.Avatar-x.x.x-setup.exe安装；Ubuntu 直接运行Duix.Avatar-x.x.x.AppImage，root 用户需加--no-sandbox参数启动。

创建第一个数字人：从素材到成片

素材要求：一段 10 秒左右的视频，人物面部清晰、视频中有人正在说话——声音克隆直接取材于这段视频的音轨，静音素材会直接报错。关键操作：在主界面创建数字人，上传视频后等待系统完成形象与声音特征提取（几分钟，视硬件而定）；随后在 My Avatars 中选中该模型，输入要说的文案或上传音频，点击生成，数分钟后得到口型同步的口播视频。

幕后原理：三个服务与一条数据流

• 客户端是 Electron 33 + Vue3 桌面程序，模型与作品记录存于本地 SQLite（better-sqlite3），文件落盘在D:\duix_avatar_data。
• guiji2025/fun-asr：语音识别服务，基于 FunASR，负责把参考音频转成文本（容器端口 10095）。
• guiji2025/fish-speech-ziming：语音合成服务，基于 fish-speech，负责文本转语音与声音克隆（对外端口 18180）。
• guiji2025/duix.avatar：数字人视频合成引擎，负责口型与画面的对齐生成（对外端口 8383）。
• 数据流：视频先转 H264 并用 ffmpeg 分离音频，音频送 TTS 服务做克隆训练与后续合成，合成后的音频再与模型视频送入 8383 端口的合成引擎，产出最终口播视频。

踩坑手册：现象、原因与处理

1. 拉镜像报Client.Timeout exceeded：Docker Hub 连接不稳定。处理：配置国内镜像源（修改 Docker 配置文件的registry-mirrors），详见 doc/常见问题.md。
2. 新增模特报错：素材视频没有说话声。声音克隆依赖视频内人声，换一段人物口播视频重新创建即可。
3. 克隆形象报Connection refused：ASR 服务启动慢，服务端刚拉起来就操作了。处理：服务端启动后等几分钟再克隆；内存小于 32GB（如 16GB）可能直接起不来。
4. 服务起不来或状态异常：按自查顺序排查——三个服务是否 Running；是否有英伟达显卡且驱动正常（nvidia-smi验证）；服务端是否重新执行docker-compose up -d更新到最新版；Issue 列表里是否已有相同问题。
5. 磁盘不足：C 盘放不下镜像时，安装 Docker 后可在其设置中把镜像存储改到其他空闲大于 100GB 的磁盘。

进阶用法：API 调用、批量任务与多语言

API 调用：Docker 启动后在本地暴露 HTTP 端口，可用http://127.0.0.1直接调用，完整流程分三步——模特训练调用http://127.0.0.1:18180/v1/preprocess_and_tran（先把参考音频放入与 TTS 服务约定的目录D:\duix_avatar_data\voice\data，记下返回的asr_format_audio_url与reference_audio_text）；音频合成调用http://127.0.0.1:18180/v1/invoke（带上一步的返回值作参考音频）；视频合成调用http://127.0.0.1:8383/easy/submit，用http://127.0.0.1:8383/easy/query?code=${taskCode}轮询进度。请求参数结构可对照 src/main/service/model.js、src/main/service/video.js、src/main/service/voice.js。

批量任务：客户端内部对合成任务做排队处理，My Works 列表按等待顺序显示进度；通过 API 同理可循环提交任务、按code轮询，实现批量视频生产。

多语言：客户端界面支持 8 种语言，在设置中切换即可。

其他：NVIDIA 50 系列显卡使用deploy/docker-compose-5090.yml方案（基于 torch 官方预览版）；官方另提供云端克隆 API 服务，适合不想自购 GPU 服务器的业务场景，两者取舍对比见 README_zh.md 的开发者说明。

适合谁用

• 自媒体创作者：用它批量产出数字人口播视频，无需真人出镜也能维持更新频率。
• 企业与培训团队：用它制作产品介绍、客服讲解、标准化教学等数字人视频。
• 开发者：用它本地部署或调用 API，把数字人形象克隆与视频合成集成进自有系统。

更多细节见 doc/常见问题.md，部署与使用中的问题可查阅官方 FAQ 与项目 Issue 单（入口见 README_zh.md 末尾）。

【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