10 秒把自己变成AI数字人：Duix.Avatar本地部署新手完整指南

10 秒把自己变成AI数字人：Duix.Avatar本地部署新手完整指南

【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 是一款真正开源的 AI 数字人克隆工具：只需提交一段 10 秒左右的正面视频，就能在本机完成数字人形象和声音的克隆，之后输入一段文案或上传一段音频，即可自动生成口型匹配的口播视频。整套流程全离线运行，素材不离开你的电脑。下面从"它能做什么、需要什么配置、怎么部署、怎么用"四个角度，把这套开源数字人方案讲清楚。

🧩 先看成品：一个界面，两个核心动作

两个主按钮：Create Avatar 与 Create Video

客户端主界面很克制，核心就两个入口：

• Create Avatar：上传一段你自己的视频（10 秒左右），系统会同时提取你的外貌和声音，生成一个可复用的"数字人模型"。
• Create Video：选择已训练好的模型，输入文字或上传音频，点生成，得到一条口型同步的数字人口播视频。

下方的 My Works / My Avatars 列表分别管理你的视频作品和数字人模型，支持多模型导入与切换，方便按场景挑选不同"分身"。

"全离线"不是噱头，是它的核心卖点

商业数字人产品大多把素材传到云端处理。而这个项目把 ASR、TTS、视频合成三个服务全部跑在你自己的显卡上：录制的形象视频、写的文案、生成的音频，全程不上网。对企业内训视频、内部宣传稿这类不方便外发的场景，这一点几乎是刚需。

💻 动手之前：先核对硬件和磁盘

一张可直接照抄的配置表

Ubuntu 版本要求更简单：磁盘空闲 100G 以上即可。当前项目版本为 1.0.6，客户端基于 Electron + Vue3 构建。

按你的显卡选一份 docker-compose

deploy/ 目录下有四份编排文件，对应不同场景：

• docker-compose.yml：标准三服务（ASR + TTS + 视频合成），绝大多数人选它；
• docker-compose-lite.yml：轻量版，只启动视频合成服务，适合已有 TTS/ASR 方案的玩法；
• docker-compose-5090.yml：面向 RTX 50 系列显卡（官方已用 5090 测试通过，30/40 系列 CUDA 12.8 用户也可用）；
• docker-compose-linux.yml：Ubuntu 环境专用。

🚀 新手部署时间线：从空机到三个服务跑起来

第 1 步：装 WSL 2 和 Docker（Windows）

命令行执行wsl --install安装 WSL，再用wsl --update更新到 2 版；然后安装 Docker Desktop。这里有个容易忽略的点：镜像默认存在 C 盘的 WSL 目录里，如果 C 盘不足 100G，可以在 Docker 的 Settings → Resources 里把 Disk image location 改到别的盘。

第 2 步：拉镜像并启动服务

先克隆仓库：

git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar cd Duix-Avatar/deploy docker-compose up -d

这一行命令会拉取guiji2025/fun-asr、guiji2025/fish-speech-ziming、guiji2025/duix.avatar三个镜像（合计约 70G，视网速约半小时）。完成后用docker ps检查，三个容器都处于 Running 状态即部署成功。拉镜像如果一直失败，参考 doc/常见问题.md 里配置的国内镜像源方案。

第 3 步：装客户端，开始克隆

从官方 Release 下载对应安装包（Windows 为 exe，Ubuntu 为免安装的 AppImage），双击安装后连接本机服务端即可。右上角菜单的 Open Log 可以随时查看客户端日志，排查连接问题很有用。

🔍 幕后拆解：一条视频是怎么被"拼装"出来的

三个服务，各管一段

整套流水线由三个容器协作完成，职责清晰：

1. fun-asr（语音识别）：把训练视频里的声音转成文字，作为克隆声音的"参照文本"。它基于开源的 FunASR 项目；
2. fish-speech-ziming（语音合成）：基于 fish-speech，用你 10 秒的录音作参考音频，把任意文案读成你的声音，支持中、英、日、韩、法、德、阿拉伯、西语共 8 种语言；
3. duix.avatar（视频合成）：用你的形象视频 + 上一步生成的音频，驱动口型输出最终视频。

理解这条链路后，任何一个环节出错都能快速定位到对应服务。

记住三个端口和两个数据目录

数据落在两个约定目录（Windows 下为D:\duix_avatar_data\的voice/data与face2face，映射关系在 deploy/docker-compose.yml 里可以看到），清理磁盘或换盘时心里有数。

🛠️ 进阶玩法：绕过界面，用 API 自己组流程

三个接口覆盖完整链路

服务端在本地暴露了 HTTP 接口，官方在 src/main/service/ 目录的model.js、video.js、voice.js里就是现成的调用示例：

• POST http://127.0.0.1:18180/v1/preprocess_and_tran：提交参考音频，返回后续合成要用的asr_format_audio_url和reference_audio_text，相当于"模特训练"；
• POST http://127.0.0.1:18180/v1/invoke：传入文本和上一步的返回值，得到克隆声音的音频文件；
• POST http://127.0.0.1:8383/easy/submit提交音频+形象视频做合成，再用/easy/query?code=任务码轮询进度。

有了这三个接口，你就可以把数字人写进自己的自动化脚本：批量文案进、批量口播视频出，适合课程更新、账号矩阵等高频场景。

不想折腾部署？两条捷径

• 社区已有基于 Docker 单镜像的 8G 显存可用整合包（模型约 10G，不再要求 100G 硬盘），显存紧张的朋友可以去社区搜一搜；
• 项目同时上线了 Coze 平台的克隆智能体与插件，免部署直接使用，适合先体验效果再决定要不要本地自建。

⚠️ 使用边界：这几个限制要提前知道

NVIDIA 显卡是硬性入场券

本项目所有算力都在本地 GPU 上跑，没有 NVIDIA 显卡或驱动没装好，三个服务直接起不来。动手前先执行nvidia-smi验证显卡和驱动正常——这是官方"提问前自查"清单里的第一条。

最容易踩的两个坑

1. 训练视频必须有真人说话的声音。形象克隆同时依赖画面和声音，上传一段无声视频会直接报错，这是新增模特时最常见的失败原因；
2. 服务端日志是排查第一现场。出问题优先看三个容器的日志（Docker 里点对应容器的 Logs 页），客户端侧用 Open Log 查看。比如下面这个 TTS 容器的file not exists报错，就是典型的素材路径/文件缺失问题：

商用边界

项目支持全球免费商用，但用户量超过 10 万或年营收达 1000 万美元以上的企业需签署商业许可协议（协议见仓库根目录 LICENSE 及模型社区许可协议 PDF）。个人和中小团队正常使用没有额外费用。

回到最开始的场景：你有一张能跑的 NVIDIA 显卡、约 100G 空闲磁盘和半小时带宽时间，就能拥有一套完全私有化的 AI 数字人产线——10 秒视频克隆形象与声音，文案进、口播视频出，全程数据不出内网。它的边界同样明确：必须依赖 NVIDIA GPU、首次拉镜像较重、口型效果以"可用"而非"电影级"为标准。对于内部培训、自媒体口播、批量内容生产这类高频场景，这套开源方案的性价比几乎没有对手；而追求极致口型效果或企业级 SLA 的团队，则可以把本文的 API 链路作为起点，在自有服务上做更深的定制。

【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