本地 AI 数字人免费上手：用 10 秒视频克隆你自己的开源数字分身
【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
不花一分钱、不用把素材传上云，就能得到一个会开口说话、五官和你几乎一样的数字分身——这就是 Duix.Avatar 想做的事。它是一个完全开源、本地离线跑的 AI 数字人克隆工具：丢一段 10 秒左右的视频进去，它把你的形象和声音都克隆下来，之后输入文字，就能生成一段口播视频，全程在你自己的机器上完成。
开篇钩子
先说个反常识的点：很多人以为搞数字人要么买几万块的商业服务，要么自己搭一套 3D 引擎。Duix.Avatar 走的是另一条路——用真人视频直接训练，把"形象+声音"两样东西一次克隆完，然后靠一段文字去驱动它说话。整个过程不需要联网，你的脸、你的声音、你生成的视频，全都留在本地硬盘里。下面按我实际跑通的路子，把"能不能装、怎么装、怎么做出第一个、卡住了怎么办"一次讲透。
先筛人：谁适合用 / 谁先别装
装之前先做个体检，能省你半小时的折腾。这个项目所有算力都吃本地 GPU，门槛写得很死，对照一下：
- 系统：Windows 10（19042.1526 或更高），或者 Ubuntu 22.04 桌面版。其他 Linux 版本官方没做兼容测试，能跑算运气。
- 显卡：必须有 NVIDIA 显卡，并且驱动装好。这是硬条件，AMD 或核显的机器三个服务直接起不来，不用往下试了。
- 内存：32GB 是官方推荐，16GB 是下限，低于这个值 ASR 服务可能起不来。
- 硬盘：Windows 要分两块看，C 盘存服务镜像要留 100GB 以上，D 盘存数字人和作品数据要留 30GB 以上；Linux 留 100GB 空余即可。
- 网络：只在你第一次拉镜像时需要联网，大概 70GB 流量，之后可以彻底断网用。
适合：想白嫖一个能商用的本地数字人、手里有 N 卡、能接受"装的时候等一会儿"的人。先别装：只有核显/A 卡的机器、硬盘空间紧张到挤不出 100GB、或者希望零配置三分钟出活的——这工具不适合你，先看别的方案。
本地部署全流程
部署分两步：先把三个服务端容器拉起来，再装客户端。顺序别反，客户端要连着服务端才能干活。
服务端，Windows
- 先确认 WSL 在不在，终端里敲
wsl --list --verbose，有列表就说明装过了；没有就wsl --install。 - 顺手更新一下：
wsl --update。 - 装 Docker Desktop，首次运行接受协议、跳过登录。
- 进项目目录的
/deploy，敲docker-compose up -d。想省资源用轻量版，就docker-compose -f docker-compose-lite.yml up -d（轻量版只有一个服务）。 - 50 系显卡（30/40 系用 CUDA 12.8 也行）单独有套配置：
docker-compose -f docker-compose-5090.yml up -d。
如果 C 盘不满 100GB，装完 Docker 后在这个"Disk image location"里换个空间够大的盘就行，别硬塞 C 盘。
这一步最费时间，下载加启动差不多半小时，网速说了算，建议连 WiFi 干等。看到 Docker 里三个服务都变 Running 就成了（轻量版是一个）。如果仓库是现拉的，源地址是git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar。
服务端，Ubuntu 22.04
先docker --version看看有没有 Docker，没有就sudo apt update后装docker.io和docker-compose。再装好 NVIDIA 驱动，敲nvidia-smi能打印出显卡信息才算数。最后：
cd /deploy docker-compose -f docker-compose-linux.yml up -d客户端
服务端起来后，从项目发布页下载对应系统的安装包。Windows 双击Duix.Avatar-x.x.x-setup.exe装好就行；Ubuntu 是Duix.Avatar-x.x.x.AppImage，双击启动、不用装。注意一点：如果你是 root 用户进桌面，AppImage 双击可能打不开，用命令行加参数启动./Duix.Avatar-x.x.x.AppImage --no-sandbox就能解决。
做出你的第一个数字人
服务端 Running、客户端能连上之后，就可以真正"造分身"了。流程就三步：备素材、克隆建模、出视频。
素材怎么拍才清晰
10 到 20 秒最合适：太短特征不够，太长处理慢。人正对镜头、光线均匀，别侧脸别挡脸；背景越干净越好；关键是一定要有人声，因为声音是靠这段视频来克隆的，没声音的片源直接废。
克隆建模
主界面点"Create Avatar"，选你那段视频。后台会自动做三件事：先把视频转成 H264、用 ffmpeg 把音轨抽出来、再拿音频去做声音训练，形象则交给视频本身。这一步通常几分钟，耐心等它跑完，别中途关服务。
生成第一条口播视频
形象建好后，在"My Avatars"里挑它，输入要说的文案（支持中、英、日、韩、法、德、阿拉伯、西八种语言），点生成。客户端会先把文字合成为你克隆的那个声音，再驱动形象对口型，最后拼成视频。文案长了就等久点，完成后到"My Works"里看成果。
让效果更好的几个细节
效果好不好，八成交给输入。几条我反复验证过的经验，照着做能省很多返工：
- 光线 > 一切。脸上有阴影、逆光、忽明忽暗，口型都会跟着歪。找个均匀的光源正拍，比任何参数都管用。
- 时长宁短勿滥。10 秒干净利落的，胜过长达一分钟却晃动、有杂音的。
- 发音要标准、语速别太快。声音克隆吃你这段话的语调和节奏，含糊其辞会让克隆出来的音色也发虚。
- 背景纯色或简单，AI 定位五官更轻松。
- 想测多语言，先拿中文把形象调顺了再换语言，别一步到位。
一句话：(均匀光线 + 正面角度 + 清晰人声 + 干净背景) × 10~20秒 = 稳定可用。输入干净，输出才稳。
踩坑急救
问题我按"现象 → 原因 → 你该干嘛"列出来，对号入座就行。更多细节可以看 常见问题。
现象：docker-compose up -d拉镜像失败，报Connection refused/request canceled原因：Docker Hub 官方源连不上，跟你的代码无关。 动作：给 Docker 配个国内镜像源。打开 Docker Desktop → Settings → Docker Engine，在registry-mirrors里加几个可用的源，Apply & restart，再重新拉。
现象：新增模特时报错，或克隆直接失败原因：片源没声音，或者人没在说话。声音克隆拿不到可用音频就报不出来。 动作：换一段"有清晰人声"的视频重来。
现象：提示Connection refused，卡在 ASR 建连原因：Duix.Avatar-asr服务启动慢，服务端刚起就急着克隆，它还没就绪；内存太小（比如 16G）也可能起不来。 动作：服务全 Running 后等几分钟再操作；16G 内存的机器优先考虑加内存或轻量版。
现象：生成卡在 20% 不动原因：大概率是音频处理环节，tts 服务找不到文件、路径或权限不对。 动作：打开对应容器（tts 那个）看 Logs，定位报错行，常见是音频路径/权限问题，修好路径再试。
现象：端口被占、服务冲突动作：确认 8383、18180 没被别的程序占用。Windows 用netstat -ano | findstr :8383，Linux 用lsof -i :8383，找到占用进程后关掉或改端口。
提个小建议：所有三个服务都确认 Running、N 卡驱动
nvidia-smi正常、服务端客户端都更新到最新版，再去问社区，省得被反复追问基础信息。
还能拿来干嘛
这工具别只当玩具，几个我见过用得顺的场景，挑一个对照：
- 内容创作者：一次录好形象，之后批量出片、多平台分发，还能同一形象做外语版本。
- 教育培训：固定讲师形象做课件，统一口播、批量生成，还能预录常见问答。
- 企业场景：品牌代言人口播、FAQ 视频、内部培训材料，省掉反复约摄影师和配音。
共性就一条：把"录一次"的成本摊薄到无限次"生成"。
性能与进阶
想快想稳，从两处下手：硬件档位，和把流程接到 API 上。
硬件档位参考
| 档位 | GPU | 内存 | 一条视频大约耗时 |
|---|---|---|---|
| 入门 | RTX 3060 12GB | 16GB | 几分钟 |
| 推荐 | RTX 4070 12GB | 32GB | 1-2 分钟级 |
| 专业 | RTX 4090 24GB | 64GB | 数十秒级 |
软件侧的提速：跑的时候把吃 GPU 的后台程序关了；SSD 放镜像和模型，加载明显更快；Docker 的 CPU/内存上限给足，别让容器饿着；N 卡驱动保持最新。
接 API 做批量
服务端起来后，本地会暴露几个端口，能直接调，不用走界面，适合批量和自动化：
- 模型训练：参考 模型训练，先把视频分离成静音画面+音频，音频放到约定目录，再调预处理接口。
- 音频合成：
http://127.0.0.1:18180/v1/invoke，把上一步返回的参考音频和文本带进去，见 语音合成。 - 视频合成：
http://127.0.0.1:8383/easy/submit提交，http://127.0.0.1:8383/easy/query?code=xxx轮询进度，见 视频合成。
资源管理：不用的数字人删掉释放空间；重要的形象定期备份到外置存储；不同时期打不同标签，别堆成一锅。
上手路线
给自己排个三步走，别一步到生产：
- 第 1 周，先跑通。按前面的流程把环境搭起来，用手机拍 10 秒自拍，克隆一个，喂一段简单文字出条视频，确认链路完整、速度你能接受。
- 第 2-4 周，调质量。上更好的拍摄设备，试多语言，把 API 接进你现有的工作流，顺手按硬件做点参数调优。
- 1 个月后，再谈规模化。定一套"建形象→出片"的标准流程，把经验沉淀成文档，批量克隆不同形象对应不同场景。
回到开头那句话：不花钱、不联网、10 秒一个分身，这套东西最实在的地方就在这。先把最笨的 10 秒视频跑出来，剩下的都是在这条能跑通的路子上加细节。遇到卡住的，别急着问，先翻一遍 常见问题，大多数坑都已经被前人踩过、写进文档里了。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
