Duix.Avatar开源数字人完整指南：10秒视频克隆形象，本地生成口播视频-开发者社区

Duix.Avatar开源数字人完整指南：10秒视频克隆形象，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 是一款真正开源的 AI 数字人（digital human）工具包，可完全离线在本地运行，只需一段 10 秒视频即可克隆你的形象和声音，输入文字或音频就能生成口型匹配的播报视频。它适合个人创作者、自媒体和需要批量产出口播内容的团队，前提是手头有一台带英伟达显卡的电脑。

从一个具体场景说起

如果你一周要产出十几条口播视频，真人出镜、录音、剪辑会吃掉大量时间；把素材上传到在线服务，又涉及账号绑定和数据外流的风险。Duix.Avatar 的思路是：先拍一段 10 秒左右的正面视频，把它交给程序完成克隆；之后你只需要敲一段文案或丢一个音频文件，"数字版的你"就会开始播报。整个过程在你的本地电脑完成，素材不经过云端。

能力速览：它能帮你做什么

形象与声音克隆｜一段 10 秒视频完成数字人形象和声音克隆｜想拥有一个可复用"数字分身"的人
文字/语音驱动视频｜输入文案自动生成口型匹配的播报视频｜需要批量产出口播内容的自媒体、企业培训
全离线运行｜全程不依赖外网，素材不出本机｜对数据隐私有要求的教育、企业内部场景
多语言支持｜脚本支持中、英、日、韩等 8 种语言｜需要多语言内容的出海场景
客户端 + API 双形态｜桌面客户端小白友好，同时开放本地 HTTP API｜既适合非技术用户，也适合要集成的开发者

上图是客户端主界面：左侧紫色区域是"Create Video"视频创建入口，下方"My Avatars"里列着你已训练好的数字人。

上手路线：三步拿到第一个成片

环境要求

先确认硬件是否达标。官方推荐配置为 i5-13400F / 32G 内存 / RTX 4070 级别，硬性要求有三点：

英伟达显卡及对应驱动（本项目全部算力在本地，没有它服务起不来）
内存建议 32G 及以上，16G 及以下可能无法启动
磁盘空间：Windows 下 D 盘需大于 30G 空闲（存放模型和作品），Docker 镜像需要约 100G 空间（可换到其他磁盘）

系统方面支持 Windows 10（19042 及以上）和 Ubuntu 22.04 Desktop，其他 Linux 发行版的兼容情况详见官方文档。

安装部署

先克隆代码：

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

执行成功后你应该在当前目录看到新增的Duix-Avatar文件夹。

检查显卡驱动：

nvidia-smi

执行成功后终端会显示驱动版本和显卡信息；如果报错，先去安装或更新英伟达驱动。

然后安装 Docker。Windows 先执行wsl --install并wsl --update，再安装 Docker Desktop；Ubuntu 用 apt 安装 docker.io 与 docker-compose 即可。

接着启动服务端，进入/deploy目录：

cd deploy && docker-compose up -d

执行成功后终端会提示 3 个容器依次 created、started；首次运行会拉取镜像，约 70G 流量、半小时左右，速度取决于网速。

docker ps

执行成功后你应该看到 asr、tts、gen-video 三个服务都处于 UP 状态，服务端即就绪。RTX 50 系列显卡换用 deploy/docker-compose-5090.yml，Ubuntu 用户用 deploy/docker-compose-linux.yml，lite 版只启动一个服务。

上图是 Docker Desktop 的资源设置页：如果系统盘剩余空间不足，可以点 Browse 把磁盘镜像位置迁到空间更大的磁盘。

最后安装客户端：从 release 页下载官方构建的安装包（Windows 为 exe，Ubuntu 为 AppImage），首次启动连接本地服务端即可。

第一次出结果

准备一段 10-30 秒的正面视频：背景简单、光线均匀，人全程在说话——程序要用这段声音做声音克隆。
在客户端"Create Avatar"上传，等待训练完成，耗时视显卡而定。
进入"Create Video"，选择模型，输入文字或上传音频，点击生成。
合成完成后，在"My Works"里预览并下载你的口播视频。

高频问题：现象、原因与处理

拉镜像超时、连接失败。原因基本是 Docker Hub 连接不稳定。如果你遇到这种情况，先检查是否配置了国内镜像源：Windows 在 Docker Desktop 设置里加，Linux 改/etc/docker/daemon.json。具体示例见 doc/常见问题.md。

"定制模特"报 Connection refused。ASR 服务启动较慢，服务起来后等几分钟再开始克隆，多数情况会自行恢复；同时确认机器内存，16G 及以下可能直接起不来。

模特训练失败、声音克隆报错。先检查上传的视频里有没有你的人声。视频无声或人没在说话，训练必然失败，重拍一段即可。

三个服务始终起不来。先确认机器有英伟达显卡且驱动装好了，跑一次nvidia-smi看是否输出显卡信息。本项目算力全在本地，没有 GPU 基本无解。

客户端出了错找不到原因。用客户端右上角设置菜单里的"Open Log"拿客户端日志；服务端则到 Docker Desktop 点开对应容器的 Logs 查看。

上图展示了客户端设置菜单的位置：User Agreement、Open Log、Language switch 都从这里打开。

上图是 TTS 服务容器的日志界面：如果你遇到file not exists这类报错，先检查音频、视频对应的挂载路径是否真实存在。

上图是国内镜像源配置界面：加上几个可用的镜像源后，拉取超时问题通常就能解决。

进阶方向：给开发者的几个口子

这个项目不只是个现成工具，还有几处扩展点：

API 集成：Docker 启动后在本地暴露端口，127.0.0.1:18180负责模特训练与语音合成，:8383负责视频合成（提交与进度查询）。请求示例可以直接看 src/main/service/model.js、src/main/service/video.js、src/main/service/voice.js。
客户端定制：客户端基于 Electron + Vue3，页面组件在 src/renderer/src/views，多语言配置在 src/renderer/src/i18n，自己构建客户端需要 Node.js 18。
服务端部署变体：deploy/ 下提供标准版、lite 版、50 系列显卡版和 Linux 版四份 compose 文件，按机器情况选用。

什么时候适合、什么时候别硬上

Duix.Avatar 的强项很明确：全本地离线、10 秒克隆、低成本批量产出口播视频，代码开源且支持商用（用户量超过 10 万或年营收超 1000 万美元的企业需签署商业许可协议）。边界同样清楚：它只支持带英伟达显卡的 Windows / Ubuntu 组合，没有 GPU 或磁盘空间不够就别硬上；口型效果属于"可用"级别，而非电影级精度。如果你追求更精致的成片或企业级 SLA 支持，建议先阅读官方文档了解其 API 服务方案再做选择。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考