10秒视频做出数字分身：用 Duix.Avatar 本地部署 AI 数字人的完整上手指南-开发者社区

10秒视频做出数字分身：用 Duix.Avatar 本地部署 AI 数字人的完整上手指南

【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 是一款免费开源的AI 数字人工具，支持本地部署：上传一段 10 秒左右的真人视频，它就能同时克隆你的形象和声音，之后输入一段文字或上传一段音频，即可自动生成口型匹配的播报视频。全程在自家电脑离线跑完，适合想做口播内容的创作者，也适合想在自己机器上玩数字人克隆、又不想把素材交给云端的人。

它能帮你做成什么事：能力清单 + 路线对比

先说清楚它到底能干哪些活，再决定值不值得折腾：

一段视频出两个分身：上传 10 秒说话视频，系统自动分离画面和声音，形象克隆、声音克隆一次完成，不用分别训练
文字直接变视频：写好文案点生成，系统自动配音并把口型对齐，产出成品口播视频
音频直接驱动：不用写文案，上传自己录好的音频（甚至配音员的干声），数字人照着说
一个模特反复用：形象建好后存在本地，可以反复生成多个作品，也支持同时维护多个模特
多语言文案：脚本支持中、英、日、韩、法、德、阿拉伯语、西语 8 种语言
全离线运行：所有算力都在本地，脚本、人脸、声音都不出你的机器
开放 API：模特训练、音频合成、视频合成的接口都对127.0.0.1开放，可以直接接进你自己的系统，调用示例见 src/main/service/

那该走哪条路线？看你的身份：

你的情况	建议路线
有英伟达显卡、爱折腾、要改代码深度定制	本地部署 Duix.Avatar 开源版（本文路线）
不想买 GPU、专注业务集成、要稳定商用保障	官方数字人/克隆音 API 接口服务

本文只讲本地部署这条线。硬件门槛先亮出来：必须有英伟达显卡和驱动，推荐 i5-13400F + 32G 内存 + RTX 4070，内存低于 32G 大概率起不来。

裸机走通：从装环境到第一条数字人视频

这条链路走下来大约一两个小时，大部分时间在等镜像下载，你真正动手的只有十几次点击和几条命令。

先过硬件自检。装好显卡驱动后，在终端执行nvidia-smi，能显示出显卡信息才算数——本项目所有算力都在本地，没有英伟达显卡，后面三个服务都起不来。磁盘方面，Windows 机器要求有 D 盘且空闲 30G 以上（存数字人和作品），C 盘空闲 100G 以上（存镜像）。C 盘不够的话，装好 Docker 后在设置里把镜像目录挪到大磁盘：

装 WSL 和 Docker Desktop。终端里wsl --install（网络原因可能失败，多试几次，中途设置的用户名密码要记住），再wsl --update更新一下，然后从 Docker 官网下载安装包，按提示接受协议、跳过登录即可。

拉起来三个 AI 服务。把仓库 clone 下来（需要时执行git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar），进入deploy目录执行docker-compose up -d。接下来约半小时、70G 左右的镜像下载，记得连 WiFi。判定成功的标准很直白：Docker 里出现 tts、asr、gen-video 三个服务且都是 Running 状态。

装客户端，做第一条视频。Windows 从官方 Releases 下载Duix.Avatar-x.x.x-setup.exe双击安装；Ubuntu 用 AppImage 直接运行。打开客户端，点"创建数字人"上传一段 10 秒左右、有清晰人声的视频，起个名字，等形象训练完成；再点"创建视频"，输入一段文案，提交生成。作品列表里能看到进度条，跑完后直接预览、导出。

核心流程拆解：10 秒视频是怎么变成数字人的

上传的视频为什么必须有人声。很多人栽在这里：上传的是一段无声 B-roll，结果建模特直接报错。原因很简单——声音克隆就靠这段视频里的声音，程序会用 ffmpeg 把音频从视频里抠出来送去做语音训练，没有声音就没有参考音频。所以录的时候记得对着镜头正常说话，10 秒左右即可。

文字和音频两条路进同一条流水线。你输入的文字会先发给本地 TTS 服务（端口 18180），用你克隆的声音合成语音；你上传的音频则直接使用。接着音视频一起送给视频合成服务（端口 8383）做口型对齐。任务不会同时开工，而是进队列逐个处理，界面上能看到"第 x / 共 y 个"的排队位置和实时进度，所以一次提交一整天文案也完全没问题。

模特与作品是两套独立的管理。模特（形象）支持分页、搜索、删除，删模特会连同它的视频和参考音频一起清掉；作品（成品视频）同样可以预览、改名、导出到指定路径、删除。想深挖接口细节，模特训练在 src/main/service/model.js，视频合成与队列轮询在 src/main/service/video.js。

三个实战场景：装好之后你能做什么

个人 IP 口播账号。形象建一次，长期复用。以后每天的内容就变成"写文案 → 点生成"，不用出镜、不用补录，一天更新几条也不累人。

课程、培训视频的批量制作。把长文案直接丢进去，队列系统会按顺序一条条渲染。晚上提交一批次日的课程视频，早上起来全部导出发走，是最典型的用法。

不爱露脸的商业口播。产品介绍、本地商家宣传，可以请一位配音员录干声，走"音频驱动"路线，数字人照着念，既统一形象又保留人声的细腻度。

按机器调优：进阶配置与跨平台差异

配置比较弱的机器。用 lite 版 compose 文件：在deploy目录执行docker-compose -f docker-compose-lite.yml up -d，只启动视频合成一个服务，省显存。

50 系新显卡（含 5090）。官方已适配，同样在deploy目录执行docker-compose -f docker-compose-5090.yml up -d；30、40 系用 CUDA 12.8 的也可以走这套。

Ubuntu 22.04 用户。装好 docker.io、docker-compose 和 NVIDIA Container Toolkit 后，执行docker-compose -f docker-compose-linux.yml up -d即可；客户端用 AppImage，root 用户下运行记得加--no-sandbox参数。

镜像拉取慢。在 Docker 设置的 Docker Engine 里加国内镜像源registry-mirrors，改完 Apply & restart：

数据存放位置。Windows 下数字人与作品数据默认落在D:\duix_avatar_data，语音参考文件目录可在 deploy/docker-compose.yml 里按需修改。另外社区里有 8G 显存可用的单镜像整合玩法（见 README 共创作品展），硬件吃紧可以先去翻翻。

排障手册：最容易翻车的四个问题与解法

docker-compose up -d报连接失败 / request canceled。Docker Hub 官方源不稳定，两个办法：开全局代理，或者按上一节配国内镜像源。

新增模特报错（提示 file 不存在之类）。九成是上传视频里没有人声，回去换一段"人在说话"的视频重建。

定制模特报 Connection refused（funasr 连接异常）。ASR 服务冷启动很慢，服务刚起来就操作会被拒连——等服务全部 Running 后再等几分钟再克隆。另外 16G 内存的机器可能根本起不动，这是 32G 起步的硬原因。

三个服务状态不对 / 怀疑显卡。按顺序查：nvidia-smi是否显示显卡 → 驱动是否最新 → 到deploy目录重新执行docker-compose up -d拉最新版 → 再看常见问题文档里有没有同款问题。

卡住时，先学会抓两边的日志。客户端：右上角设置菜单点"打开日志"，日志文件在AppData\Roaming\heygem.ai\logs下的main.log；

服务端：在 Docker Desktop 点开对应容器的 Logs 页签，直接点复制图标把日志拷出来，配合报错时间戳去找问题：

开始前的边界提醒

克隆自己的形象和声音、用于个人创作与研究，是它的主场；未经本人同意不要克隆他人的脸和声音，不要用数字人产出误导性的商业内容。商用前请读一遍 LICENSE 与仓库内的模型社区许可协议——用户量超 10 万或年营收超千万美元的企业需要签署商业许可。也因为全离线运行，你的脚本和素材天然不落外网，隐私上是加分项。