Duix.Avatar本地数字人视频生成完全指南：一段10秒视频克隆自己，免费生成口播视频

Duix.Avatar本地数字人视频生成完全指南：一段10秒视频克隆自己，免费生成口播视频

【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 是一款真·开源的本地数字人项目。你只需提供一段 10 秒左右、自己出镜说话的视频，就能完成形象和声音的双克隆；之后输入文案，它会自动生成口型对得上的口播视频。全程在你的电脑上离线运行，素材不会上传到任何云端。如果你需要做产品口播、课程录课或个人短视频，又不想为付费数字人服务掏钱，这篇指南带你从零跑到第一个成片。

它到底能帮你解决什么

先说清楚它值不值得你花时间装：下面三个场景，有一个对上号就值得动手。

把"出镜"这件事一劳永逸拍口播视频最贵的是人：打光、布景、重录、后期。用 Duix.Avatar 克隆一次自己的形象和声音后，数字人模型会一直存在"我的形象"列表里，以后写什么文案就说什么文案，不再需要真人站在镜头前。

批量产出数字人口播视频同一形象可以反复使用。今天生成产品介绍，明天生成课程讲解，后天生成节日问候——画面人物始终是你，只有文案在变，内容产出的边际成本接近于零。

素材和数据留在本机从视频分离、声音克隆到音视频合成，整条链路都在本地 GPU 上完成。对不能把人脸、声音素材交给云服务的团队和个人来说，这是选择本地部署而不是在线 SaaS 的关键理由。

动手前的准备

这一段核对硬件配置、装好依赖并拉起服务端，是后面一切的地基。

机器要求（硬性）

• 一块英伟达显卡，且已正确安装显卡驱动——全部算力在本地 GPU 上，没有它服务起不来
• 内存 32G 及以上；参考配置：i5-13400F + RTX 4070
• 磁盘：Windows 下需要 D 盘存放数字人和作品（空闲 30G 以上），Docker 镜像默认写在 C 盘（空闲 100G 以上，首次启动要下载约 70G 镜像）
• 系统：Windows 10 19042.1526 及以上，或 Ubuntu 22.04

装软件

1. Windows 先在终端执行wsl --install装好 WSL，再安装 Docker Desktop 并首次启动（接受协议、跳过登录即可）
2. 安装最新的英伟达显卡驱动，装完执行nvidia-smi，能显示出显卡信息就算成功
3. 如果打算从源码构建客户端，另外装 Node.js 18；直接用官方打包好的客户端则不需要

获取项目并启动服务端

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

克隆完成后，进入项目的 deploy/ 目录，执行下面这条命令启动服务端：

cd deploy docker-compose up -d

首次拉取镜像约需半小时，建议连 WiFi。在 Docker 里看到 asr、tts、gen-video 三个服务都变为 Running，服务端就就绪了。显存紧张可以改用轻量版（只启动视频合成一个服务），在命令里加-f docker-compose-lite.yml；Ubuntu 用户则用docker-compose-linux.yml。

C 盘空间不够的话，不要硬装：打开 Docker Desktop 的设置 → Resources，把磁盘镜像位置改到剩余空间 100G 以上的磁盘。

客户端从项目 Releases 获取官方安装包：Windows 是 .exe 安装程序，Ubuntu 是 AppImage，双击即可启动。

第一次跑通

目标只有一个：四步生成第一条数字人视频。先看到成片，再回头研究细节。

1. 打开客户端，点Create Avatar（创建形象），上传一段 10 秒左右的说话视频
2. 注意两个硬性条件：视频必须有声音，且必须是本人在说话——程序要用这段声音做声音克隆
3. 等模型生成完毕，"我的形象"里会出现你的数字人
4. 点Create Video（创建视频），选中刚建好的形象，输入一段文案，点击生成

成片会出现在"我的作品"里，可以直接预览和保存。到这里，最小闭环已经跑通。

核心能力拆解

下面三个能力就是这个项目值钱的地方，逐个讲清它是什么、怎么用、适合谁。

声音与形象双克隆

你上传的说话视频会被拆成两路处理：一路分离出纯语音，送入语音服务（基于 fish-speech 模型）完成声音克隆，同时用语音识别（基于 fun-asr）把视频里的话转成文字作为参考；另一路无声视频用于构建形象模型。两条结果都会留存，供后续合成时反复调用。适合想拥有一个可长期复用的"数字分身"的人——克隆一次，无限次使用。

文字与语音驱动视频生成

克隆完成后，生成视频有两种入口：输入文字，系统先用你的克隆音色合成语音，再由视频服务驱动数字人做口型并合成音视频；或者直接上传现成的音频文件，跳过文字转语音这一步，让它按音频的节奏驱动口型。脚本支持中、英、日、韩、法、德、阿拉伯语、西班牙语共 8 种语言。适合做系列口播、多语言内容搬运和日常播报视频。

开放 API，接入你自己的系统

服务端启动后会在本机暴露端口：声音克隆与语音合成走 18180 端口，视频合成任务提交和进度查询走 8383 端口。想集成进自己的产品？调用代码就在客户端源码 src/main/service/ 里，照着写就行。适合需要把数字人能力嵌进自有业务系统的开发者。

让效果更好的调优清单

• 克隆素材：光线均匀、正面出镜、无遮挡、人声清晰稳定；宁可重录 10 秒干净的，也别用带环境音的长视频
• 长文案：分段生成再拼接，别一次塞超长文本排队
• 50 系列显卡：在 deploy/ 目录改用docker-compose -f docker-compose-5090.yml up -d（30/40 系列配 CUDA 12.8 也可用这套）
• 磁盘：镜像下载约 70G，C 盘不够就按前文改 Docker 磁盘位置，不要边下边清理
• 保持更新：项目更新频繁，不少问题新版已修；服务端到 deploy 目录重新执行docker-compose up -d，客户端拉取代码后重新构建

卡住了怎么办

按"问题—原因—解法"速查这四条，更多细节看 常见问题文档。

问题一：docker-compose up -d报连接 registry-1.docker.io 超时原因：Docker Hub 官方源连接不稳定。 解法：开全局代理，或在 Docker 的 daemon.json 里给registry-mirrors配置国内镜像源，保存、重启 Docker 后重新执行命令。

问题二：新增模特（克隆形象）时直接报错失败原因：上传的视频没有声音，或画面里没有人说话，声音克隆无料可用。 解法：重录一段 10 秒左右、人声清晰的说话视频再上传。

问题三：三个 Docker 服务起不来或反复重启原因：缺英伟达显卡，或驱动没装好，本地 GPU 算力无法挂载。 解法：执行nvidia-smi确认能显示显卡信息，安装或更新驱动后重启服务。

问题四：报错信息看不明白，定位不到原因解法：两端都看日志。客户端点右上角设置里的"Open Log"查看本地日志；Docker 中点进对应服务，打开日志面板，把关键几行复制出来对照排查。

你的本地数字人工作台已经搭好。先去生成一条口播视频，感受一下嘴型与声音的效果，再尝试 8 种语言脚本和开放 API，让它慢慢变成你的内容生产线。

【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