三步完成 Duix.Avatar 本地部署：从零克隆你的数字人生成第一条口播视频

三步完成 Duix.Avatar 本地部署：从零克隆你的数字人生成第一条口播视频

【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

你有一段现成文案，想用自己的脸和声音做口播视频，但又不想每次对着镜头重拍。Duix.Avatar 是一款免费开源的数字人视频项目：提交一段 10 秒左右视频即可完成形象与声音克隆，输入文本或音频就能自动生成口型对齐的播报视频。全程基于 Docker 本地部署，跟着做完你就能产出第一条数字人视频。

一句话看懂：开源数字人视频工具能帮你做什么

Duix.Avatar 由服务端和客户端两部分组成：服务端是三个 Docker 容器，分别负责语音识别（ASR）、声音克隆合成（TTS）和视频合成；客户端是图形化桌面程序，负责上传素材和查看成片。所有算力都在你自己机器上离线完成，不联网也能跑。它最适合内容创作者、培训视频制作者，以及想通过 API 做二次集成的开发者。

部署前检查：硬件与软件要求

先花两分钟核对配置，这是后面所有报错的源头。不满足最低配置时，容器会起不来或训练中途失败，装好也白装。

硬件要求：

软件要求：

Windows 用户注意：Docker 镜像默认存在 C 盘。如果 C 盘不足 100GB，安装 Docker 后进入 Settings → Resources → Advanced，把 Disk image location 改到空间充足的磁盘再点 Apply & restart。

部署 🚀：三步完成 Duix.Avatar 本地部署

第一步：克隆源码

git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar cd Duix-Avatar

成功标志：目录里能看到deploy/（内含 4 个 compose 文件）和src/（客户端源码）。你不做客户端开发的话，真正要用到的只有deploy/目录。

第二步：启动服务端容器

cd deploy docker-compose up -d

这一步会拉取三个镜像，合计约 70GB，下载期间终端基本无输出，持续十几到三十分钟属正常现象，耐心等。RTX 5090 显卡改用docker-compose -f docker-compose-5090.yml up -d；Ubuntu 用-f docker-compose-linux.yml；只要口型驱动、不做克隆就用轻量版-f docker-compose-lite.yml up -d（只起视频合成一个服务）。

下载完成后，用这两条命令验证：

nvidia-smi docker ps --format "{{.Names}}: {{.Status}}"

成功标志：nvidia-smi能打出显卡信息（驱动没问题）；docker ps输出三行且状态都是Up：duix-avatar-tts（18180 端口）、duix-avatar-asr（10095 端口）、duix-avatar-gen-video（8383 端口）。看到这三个服务 Running，服务端就部署成功了。

第三步：安装并启动客户端

Windows 用户从项目发布页下载Duix.Avatar-x.x.x-setup.exe，双击按向导安装；Ubuntu 用户下载 Linux 版AppImage后执行：

chmod +x Duix.Avatar-x.x.x.AppImage ./Duix.Avatar-x.x.x.AppImage --no-sandbox

成功标志：客户端打开后看到 Home 主页，顶部是 "Create Video"（AI 视频生成）和 "Create Avatar"（创建数字人）两个入口，说明客户端已能连上本地服务端。

动手实践：产出你的第一条数字人视频

现在做一条完整任务线：先创建一个数字人，再用文本驱动生成第一条视频，最后用音频驱动生成第二条。全程只在客户端里点，不需要碰代码。

1. 创建数字人：Home → 点 "Create Avatar" → 上传一段 10 秒左右的视频。要求：人脸居中清晰、光线均匀、全程有人说话（声音会被用来克隆音色）。提交后等待训练，视显卡不同约 1~3 分钟。成功后 "My Avatars" 列表出现新模型，缩略图取自你的视频。训练视频没有音轨会直接报错，这是新手最高频的坑。
2. 文本驱动，生成第一条视频：Home → 点 "Create Video" → 选中刚建好的数字人 → 输入文案（支持 8 种语言）→ 确认音色与语速 → 开始生成。进度条走完需要几十秒到几分钟，取决于显卡和文案长度。完成后在 "My Works" 列表下载播放，重点听口型是否跟着语音走。

3. 音频驱动，生成第二条视频：再次进入 "Create Video" → 这次改用音频上传入口，选一段你自己的录音（或从任意成品视频里抽出的音频）→ 提交。系统会按音频的节奏和语调对齐口型，产出的第二条视频用的就是你的原声，音色比文本驱动更自然。

• 素材决定上限：10 秒左右、正脸、均匀光线、纯色背景、连续自然说话，克隆效果会明显更稳定；背景复杂或人脸过暗时，先换素材再怀疑软件。
• 服务端刚启动完的几分钟内别急着训练：ASR 服务就绪偏慢，遇到Connection refused等几分钟重试即可，不是部署失败。
• 想做批量或二次开发，直接读 src/main/service/ 下 model.js、video.js、voice.js，就是模型训练、音频合成、视频合成的完整调用流程。

进阶：素材质量、GPU 加速与 API 集成

素材要点：训练视频记住四个字——清晰、稳定；音频记住两个词——安静、自然。10 秒足够，但别为了凑时长录进停顿和杂音。

GPU 与存储：三个容器都声明了runtime: nvidia，部署前先跑nvidia-smi确认显卡可用，否则容器起不来。RTX 5090（以及 30/40 系 CUDA 12.8 环境）走deploy/docker-compose-5090.yml。生成速度主要受显存限制，8GB 显存可跑，12GB 以上更从容。

API 集成：服务端起来后会在本机暴露三个端口，最常用的是 8383 的视频合成。最短的一次提交 + 一次查询：

curl -X POST http://127.0.0.1:8383/easy/submit -H "Content-Type: application/json" \ -d '{"audio_url":"D:/duix_avatar_data/face2face/audio.wav","video_url":"D:/duix_avatar_data/face2face/video.mp4","code":"task-001","chaofen":0,"watermark_switch":0,"pn":1}' curl "http://127.0.0.1:8383/easy/query?code=task-001"

code是你自定义的任务唯一标识，提交后用同一个 code 轮询进度直到完成。声音克隆合成（18180 端口/v1/invoke）和模特训练接口的完整参数，参考 src/main/service/voice.js 与 src/main/service/model.js，无需自己拼协议。

常见问题：数字人视频生成避坑清单

三个容器都 Running 之后，你的 Duix.Avatar 本地部署就真正完成了：后续每次产出数字人视频只是在客户端里点几下，数据全程不出内网。遇到问题先查 doc/常见问题.md 这份官方排错清单，容器参数和硬件适配方案看 deploy/ 下的四个 compose 文件，版本更新与社区动态以 README_zh.md 为准。现在就打开终端跑一遍nvidia-smi，把第一个 70GB 的镜像拉下来吧。

【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