【2026实测】如何在普通电脑上完成AI数字人本地部署：视频克隆到出片的全流程指南

【2026实测】如何在普通电脑上完成AI数字人本地部署：视频克隆到出片的全流程指南

【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

你把自己对着镜头读稿的 10 秒视频丢给电脑，它能克隆出你的形象和声音，变成一个数字人。之后你只需要打一行字，它自己配音、自己做出口型，产出一条口播视频，不用拍、不用剪。这个工具叫 Duix.Avatar，一个开源的 AI 数字人项目：本地部署，用一段视频完成外貌和声音克隆，再用文字或音频驱动数字人出片。内容创作者想省掉付费数字人服务的话，可以重点看这个项目。

先看你的电脑能不能扛住

花钱折腾之前，先记住一条硬门槛：必须有英伟达显卡。项目里所有推理都靠 CUDA（GPU 的加速框架）干活，缺了它，服务根本起不来，AMD 显卡和核显都用不了。其他配置对着这张表看：

磁盘空间是另一个隐形坑。Windows 上，C 盘要放 Docker 镜像文件，空闲得大于 100G；不够的话，可以在 Docker 的 Resources 设置里把镜像存储位置挪到别的盘（下图就是入口）。D 盘放数字人形象和成片，留 30G 以上。系统要求 Windows 10 的 19042 版本及以上，Ubuntu 22.04 也官方支持。

把服务端跑起来 🚀

装 WSL 和 Docker

服务端本质上是三个 Docker 容器（Docker——把一套预配好的环境装进独立"集装箱"里运行的软件，省得你自己在机器上调环境）。Windows 上，Docker 跑在 WSL（Windows 自带的 Linux 子系统）之上。先确认状态：命令输出里列出了发行版，说明 WSL 已装好；没有就执行安装命令，装的时候记得设用户名和密码，网络原因失败的话多试几次。装完顺手把 WSL 更新到最新。再下载安装 Docker Desktop，双击启动，接受用户协议、跳过登录，环境部分就齐了。

拿代码，起容器

在终端执行 git clone https://link.gitcode.com/i/0d3db4ed9ebe6f3c3f37b16318e7f858 拉取项目代码，然后进入 deploy/ 目录，执行docker-compose up -d。它会开始下载三个镜像包，总量约 70G，速度看网速，半小时上下，记得连 WiFi 别中断。下载慢的话，去 Docker 的 Docker Engine 里配一个镜像加速器，相当于给拉取走国内通道，效果立竿见影。

两个变体：显卡是 50 系列（如 5090）的，改用 5090 专用的 compose 文件启动；只想要口型合成、不需要声音克隆的，可以启动 lite 版，只跑一个容器，更省显存和流量。

检查三个服务

下载完成后看 Docker Desktop 的容器列表，应该出现三个服务：ASR（语音识别——把你的样本音频转写成文字）、TTS（语音合成——用克隆的声音朗读文字）、视频合成，状态都是 Running。点开任一容器的 Logs 页签，能看到启动日志在滚动输出。有哪个是红色或者反复重启，先回头查磁盘空间和显卡驱动。

核心流程：10秒视频变数字人

装好客户端

服务端只是"机房"，你实际操作的是客户端。从官方 releases 下载对应系统的安装包：Windows 双击 exe 安装；Ubuntu 拿到 AppImage 双击直接运行，不用安装。打开后首页很干净，就两块入口：Create Video（创建视频）和 Create Avatar（创建数字人）。

创建你的第一个数字人

点 Create Avatar，上传一段 10~15 秒的视频。素材要求不复杂：正面出镜、光线均匀、面部无遮挡、人脸居中。上传后系统自动把视频拆成无声画面和音频两条轨道——画面喂给数字人训练，音频送进 TTS 服务做声音样本。等进度走完，"My Avatars" 列表里多出一个带名字的条目，你的数字人就算克隆好了。

功能体验：一句话到一条成片

数字人建好之后，剩下的体验都是"输入什么 → 得到什么"。

• 文字驱动口播：选一个数字人，把文案贴进去点生成。系统先用克隆的嗓子把文字读成音频，再让数字人对上嘴型出画面。一分钟左右的文案，渲染大概几分钟。
• 上传音频：没有文案也行，直接上传一条现成的音频文件，数字人跟着音频的口型做视频，播客、采访录音都能这么翻成视频。
• 多语言文案：脚本支持中、英、日、韩、法、德、阿拉伯、西语共八种语言，换语言不用重新建数字人。

生成完成后，成片会自动出现在"我的作品"列表里，点开在线预览，满意就下载。

底层一瞥

不用深究，但有两个设计点值得知道。其一，三个服务各自独立成容器，靠本地端口互相调用：ASR 先把你的样本音频转成文字，TTS 拿这段文字做参照克隆声音，合成服务再把口型和音频逐帧对齐，各干各的活，哪个挂了不影响另一个。其二，全部计算都在你本机完成，人脸和声音数据从头到尾不出机器，这是离线数字人方案最核心的吸引力。

进阶指路：直接调 API

Docker 启动后，服务在本地暴露了端口：18180 管声音相关的事——先提交样本音频转写文字，再带着转写结果去合成语音；8383 管视频合成——提交任务，拿回任务编号，再拿编号轮询进度。接口都走 127.0.0.1，数据一个字节都不出机器。想全自动的话，提交视频、克隆声音、提交文本、收走成片，整条链路都能用脚本串起来，不用碰客户端。典型玩法：教育场景，同一个"老师"数字人批量生成系列课程；电商场景，数字人不变，换产品背景批量出商品讲解视频；客服场景，把企业知识库接上 API（API——程序之间互相请求和取结果的标准化接口），用短视频形式输出回复。

排障急救包 🩹

• 三个服务起不来、反复重启 → 没装英伟达显卡或没装驱动 → 装好 N 卡驱动，在终端敲 nvidia-smi 能看到显卡信息才算成功
• 镜像下载卡死或极慢 → 没配镜像加速 → 在 Docker Engine 里加国内镜像源，保存后重启 Docker
• 声音克隆报 file not exists → 音频文件不在容器挂载的目录里 → 对照 TTS 服务日志里的报错路径，把文件放进约定目录再提交
• 客户端能打开但连不上服务端 → 有服务掉线 → 回到 deploy 目录重新执行启动命令，把三个容器刷新一遍
• 卡住了先抓日志 → 客户端右上角菜单有"打开日志"，日志目录里的 main.log 是主日志；服务端直接看对应容器的 Logs 页签，完整问题清单见 doc/常见问题.md

项目地址：Duix.Avatar

【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