从10秒视频到会说话成片：Duix.Avatar本地数字人部署指南-育师

从10秒视频到会说话成片：Duix.Avatar本地数字人部署指南

【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 是一个本地开源数字人项目：上传约 10 秒的说话视频，就能克隆形象和声音，之后输入文案或音频即可生成口型同步的播报视频。全流程在自己的机器上离线跑完，从装环境到出第一支成片，顺利的话半小时左右。

先跑起来

架构分两部分：Docker 服务端（ASR、TTS、视频合成三个模型服务）+ Electron 桌面客户端。所有算力在服务端，客户端只负责操作，所以部署顺序是「先服务端、后客户端」。

1. 拉代码，起服务端。Windows 需要先装 Docker Desktop（WSL2 后端）；Ubuntu 22.04 直接装 Docker 即可：

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

Ubuntu 缺依赖先执行：

sudo apt install docker.io docker-compose

然后在 deploy 目录执行：

docker-compose up -d

首次拉镜像约 70G，看网速半小时到一小时。Docker 里看到Duix.Avatar-asr、Duix.Avatar-tts、Duix.Avatar-gen-video三个服务全部 Running 就算服务端就绪。NVIDIA 50 系列显卡改用docker-compose -f docker-compose-5090.yml up -d；显存紧张、只想跑视频合成的，用 lite 版 compose 文件（单服务）。

2. 启动客户端。从项目 Releases 下载 Windows 安装包（.exe）或 Ubuntu 的 AppImage，双击即用，无需装环境。偏好源码构建的：装 Node.js 18，在仓库根目录npm install && npm run dev即可，客户端代码在 src/ 目录。

3. 产出第一个结果。客户端里两步：

Create Avatar：上传一段 10 秒左右、人正在说话的带声音视频。服务端做音画分离、ASR 转写、声音建模，得到一个数字人模型；
Create Video：选中该模型，输入播报文案，稍等几分钟即可导出成片，口型与语音自动对齐。

能做出什么

输入固定是「一个数字人模型 + 一段文案或音频」，输出是带口型的说话视频。几个实际用法：

电商商品口播：输入商品卖点文案 + 店主 10 秒片段，输出固定出镜人的商品介绍视频；换一版卖点，改文案重新生成就行，不用重录。
客服帮助中心：输入 FAQ 单条答案文本，输出数字人讲解视频，嵌进帮助页，新用户的完播率通常好于纯文字。
周报/内部公告：输入周报摘要，输出统一数字人形象的口播视频，适合要求「视频里要有真人感」又不想真人露面的内部分发。

原理扫一眼

整条链路四步：上传视频先被拆成无声视频 + 音频；音频进 ASR 服务（FunASR）得到参考文本，同时进 TTS 服务（fish-speech）完成声音克隆；生成时，TTS 先把文案合成语音，视频合成服务再按音频节奏驱动原视频口型逐帧变化，最后渲染成口型对齐的成片。三个服务都是本地 Docker 容器，数据不出机器，各接口的调用逻辑可以看 src/main/service/video.js。

调优与排错

最低配置要求

显卡是硬门槛：没有 NVIDIA 显卡或驱动没装好，三个服务起不来。推荐 RTX 4070 级别，8G 显存可用；
内存建议 32G 以上；硬盘空闲 100G+（镜像约 70G，再留空间存成片）。Windows 上 C 盘不够时，在 Docker Desktop 的 Settings → Resources → Advanced 里把 WSL 镜像目录改到其他盘。

参数建议

建模视频 10 秒足够：画面清晰、人在说话、环境音少，声音建模质量直接决定后续 TTS 相似度；
文案分段生成，每段 30~50 字比较稳，接口的 topP 0.7、temperature 0.7 等参数默认值即可；
5090 或 30/40 系列装 CUDA 12.8 的，统一走 5090 那份 compose 文件。

首次生成失败排查

docker-compose up -d报 registry-1.docker.io 连接超时：Docker Hub 官方源不稳定，在/etc/docker/daemon.json里配 registry-mirrors 指向国内镜像源，或开全局代理；
创建模特报错：上传的视频必须有人说话且带声音，静音片段会在 ASR 环节直接失败；
服务反复重启、客户端报 Connection refused：先nvidia-smi确认能输出显卡信息，再看三个服务是否都 Running，都正常的话按 doc/常见问题.md 的自查步骤走。

定位问题时最有用的是两份日志：客户端日志在应用内的日志入口查看，服务端日志直接打开对应 Docker 服务的 Logs 页，具体位置 doc/常见问题.md 里有配图。成片质量基本由建模视频决定，而重做一次只花几分钟——挑一段最清晰的 10 秒，拍完就够用了。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

从10秒视频到会说话成片：Duix.Avatar本地数字人部署指南