Duix.Avatar开源数字人本地部署：一段10秒视频，离线生成口播视频-育师

Duix.Avatar开源数字人本地部署：一段10秒视频，离线生成口播视频

【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

先说结果：一段10秒的说话视频进去，出来的是一条"你"用自己的声音念任意稿子的口播视频，全程在你的电脑上离线完成。这就是 Duix.Avatar——一个支持数字人形象克隆、口播视频生成的开源 AI 工具，所有算力都在本机 GPU 上跑，素材、音频、模型文件不出机器。

下文按"装完长什么样 → 怎么跑通 → 能力拆解 → 谁适合 → 坑"的顺序讲，看完你手里应该有一份可以直接照做的清单。

装完之后的形态：3 个 Docker 服务 + 1 个桌面客户端

先明确"跑通"的判定标准：你的机器上会同时运行三个容器——fun-asr（语音识别）、fish-speech-ziming（语音合成）、duix.avatar（视频合成），再加上一个桌面上的 Duix.Avatar 客户端。客户端主页只有两个核心入口：右侧上传视频克隆一个数字人（形象 + 声音），左侧用已有模型创作视频，后面所有功能都围绕这两个动作展开。

5 步跑通本地部署

上手前先看硬件门槛，官方推荐配置是 i5-13400F / 32G 内存 / RTX 4070，系统要求 Windows 10 19042.1526 以上或 Ubuntu 22.04 Desktop。两个硬性条件：必须有英伟达显卡且装好驱动（本项目没有 NVIDIA 显卡三个服务根本起不来）；磁盘要留足——Windows 上 D 盘空闲大于 30G 存模型和作品，C 盘大于 100G 存服务镜像。C 盘不够的话，装完 Docker 后可在 Docker Desktop 的 Settings → Resources → Advanced 里把磁盘镜像位置改到别的盘：

步骤本身不复杂：

Windows 先确认 WSL：wsl --list --verbose检查状态，没装就wsl --install，装完用wsl --update更新，再安装 Docker Desktop，首次启动接受协议并跳过登录；
拉取项目代码：git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar；
进入deploy目录（compose 文件都在 deploy/ 里），执行docker-compose up -d；只想要视频合成、不需要本地训练的话，用docker-compose -f docker-compose-lite.yml up -d，起来的服务只有Duix.Avatar-gen-video一个；
等待。首次拉镜像约 70G 流量，半小时左右（看网速），建议连 WiFi；
Docker 里看到上述三个服务都在运行，就算成功。

客户端不用自己编译，下载官方构建的安装包：Windows 双击Duix.Avatar-x.x.x-setup.exe安装，Ubuntu 双击 AppImage 即可（root 用户桌面下要加--no-sandbox参数运行）。Ubuntu 服务端用docker-compose-linux.yml，并且要先装好 nvidia-container-toolkit。

能力实测：输入什么，得到什么

一段10秒说话视频 → 你的数字分身

建模时最容易踩的细节是：上传的视频必须带真人说话的声音。程序会把视频拆成静音视频 + 音频两条线，静音视频负责克隆外貌，声音负责克隆音色。如果素材没有说话声，这一步会直接报错——这也是社区 issue 里出现频率最高的一类。模型建好后在"My Avatars"里能看到，后续创作直接选用。

一段文案 → 口播成片

最常用的路径：选模型、贴文案，系统先用克隆音色合成语音，再按音频驱动口型出片。文案支持中、英、日、韩、法、德、阿拉伯、西八种语言。如果你手里已有录好的音频，还可以跳过文字合成，直接上传音频驱动口型，语音里的节奏和语调会体现在画面表现上。

这两步也开放了 API：Docker 起来后语音合成在127.0.0.1:18180，视频合成提交和进度查询在127.0.0.1:8383，完整的请求参数和返回结构可以参考 src/main/service/ 下的 model.js、video.js、voice.js。想接到自己的批量生产流程里，这是官方给的入口。

这套东西适合谁

说直白点：你在意人脸和声音数据落在哪里，或者高频产出口播内容、不想按次计费，这套本地方案就值得折腾。反过来两种情况建议先别装——机器上没有英伟达显卡的，服务起不来，换配置也没用；只是想偶尔做一两条视频的，为 70G 镜像和 100G 磁盘付出的时间成本可能比收益高。另外显卡是 50 系列的用户，要改用docker-compose-5090.yml（基于 torch 预览版本，30/40 系列开 CUDA 12.8 也可用）。

社区高频踩坑：拉镜像失败、建模报错、日志在哪看

第一次跑的时候，问题基本集中在三处，按你遇到的先后排：

docker-compose up -d拉镜像报 connection 超时：Docker Hub 官方源不稳定，在 Docker 的 daemon.json 里加 registry-mirrors 国内镜像源，或走全局网络；
新增模特报错：九成是素材视频里没有人在说话，重录带清晰人声的片段即可。其他报错先自查三个服务是否都是 Running 状态；
要贴日志：客户端从右上角菜单"Open Log"导出：

服务端则是点进对应 Docker 容器的 Logs 面板复制报错段，错误栈一般集中在请求处理的那几行：

更完整的自查流程和错误对照见 doc/常见问题.md。项目更新比较频繁，提问前建议先把服务端镜像和客户端都更新到最新版，不少问题已经被修掉了。

硬件核对没问题的话，就照上面的 5 步把服务跑起来，然后上传第一条 10 秒视频，看看效果再决定要不要深挖 API。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

Duix.Avatar开源数字人本地部署：一段10秒视频，离线生成口播视频