Duix.Avatar：10秒视频克隆数字人，从部署到出片全记录-育师

Duix.Avatar：10秒视频克隆数字人，从部署到出片全记录

【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

上次客户临时要一条产品介绍口播视频，我下午翻遍了工具清单：在线服务按分钟计费，本地方案要么要传素材上云，要么环境装到崩溃。后来接触到 Duix.Avatar，它是本地部署的数字人克隆工具——提交一段 10 秒左右带人声的视频，就能克隆你的形象和声音，之后输入文案或上传音频，自动生成口型同步的口播视频，全程离线，素材不出机器。

🧩 它到底是什么

Duix.Avatar 是硅基智能开源的数字人工具箱，开源协议支持全球免费商用（用户量超 10 万或年营收超 1000 万美元的企业需签商业许可协议，仓库根目录有协议 PDF）。核心能力一句话：一段 10 秒视频完成形象 + 声音克隆，文案驱动生成口播视频。形态上，客户端是 Electron 桌面应用，服务端是 Docker 拉起的三个本地服务，算力全部在自己机器上。

10 秒视频克隆形象与声音
文字、音频两种驱动方式
全离线，素材不上传
8 种界面语言
Docker 一键起服务端
开放本地 API 可二次集成

🏃 跟我做一次

先对一下硬件要求，后面全用得上：Windows 10（19042.1526 及以上）或 Ubuntu 22.04，NVIDIA 显卡（30/40/50 系列均可）+ 已装好驱动，内存 32G，磁盘留 100G 以上，首次拉镜像约 70G 流量。

拿到代码只需一行：

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

deploy目录里放好了四份 docker-compose：Windows 用默认的docker-compose.yml，Ubuntu 用docker-compose-linux.yml，RTX 50 系显卡用docker-compose-5090.yml，只想要视频合成那一个服务（跳过声音克隆）就用docker-compose-lite.yml。进目录执行：

cd deploy docker-compose up -d

剩下就是等，半小时上下，Docker 会把三个服务（TTS、ASR、视频合成）的镜像拉下来跑起来。Windows 用户留意一点：C 盘要装得下 100G 的镜像文件，空间不够就去 Docker Desktop 的 Settings → Resources → Disk image location，把镜像目录挪到别的盘再 Apply：

服务端就绪后，从项目 Releases 下载对应系统的客户端安装包，Windows 双击 exe 安装，Ubuntu 直接运行 AppImage（root 用户需加--no-sandbox）。打开客户端点 Create Avatar，上传那段 10 秒视频，克隆完成后你的第一个数字人就在 My Avatars 里了。接着点 Create Video，输入文案或上传音频，生成结束，第一条口播视频出现在 My Works 列表中。

🎬 看看效果

生成完成后，My Works 里按时间排列着所有作品，支持关键词搜索和分页浏览，点开就能播放、下载或基于同一模特重做。右上角 Setting 菜单里可以切换界面语言，共支持中文、英文、日、韩、法、德、阿拉伯、西语 8 种，文案跟着界面语言走。

两种驱动方式的差别很直接：文字驱动时，系统先用克隆的声音把文案读成音频再驱动口型，适合批量出稿；音频驱动则直接拿你上传的音频对口型，适合已有配音、不想重新合成的情况。

🔍 拆开看看

如果你打开源码目录，客户端的后端逻辑集中在src/main/service/下，三个文件各管一段：

model.js：新增模特。用 ffmpeg 把上传视频转成 h264、分离音轨，音频送去做声音克隆，形象模型写入本地 SQLite。
voice.js：声音克隆与合成。先调 ASR 接口拿到参考音频的文本，之后把文案发给 TTS 服务，用克隆音色合成语音。
video.js：成片组装。把音频和模特视频提交给 8383 端口的合成接口，轮询进度并更新作品列表。

整条数据流四步走：

视频拆轨：ffmpeg 提取音轨，ASR 识别出参考文本
声音克隆：参考音频 + 文本入库，建立音色
语音合成：文案 → 克隆音色的 wav
视频合成：wav + 模特视频 → 口型同步成片

不想走客户端，Docker 起来后所有能力都以本地 API 暴露：合成任务提交到http://127.0.0.1:8383/easy/submit，用/easy/query?code=xxx查进度；声音侧是 18180 端口的/v1/preprocess_and_tran（克隆）和/v1/invoke（合成）。参数样例都写在上面三个源码文件和 README 的 API 一节里，照着请求即可。

⚠️ 你可能撞上的坑

拉镜像超时，报 request canceled。Docker Hub 官方源对国内网络不稳定。解法：在 Docker 配置里加registry-mirrors配国内镜像源，改完 Apply & restart 再重新docker-compose up -d：

新增模特直接报错。最常见原因是上传的视频里没有声音或没有人说话——程序要用这段声音做声音克隆。重拍一段 10–20 秒、人脸清晰且在说话的视频再传。

定制模特报 Connection refused。ASR 服务启动比较慢，服务端刚拉起就点克隆会连不上。等几分钟再操作；另外 16G 内存的机器可能根本拉不起这套服务，32G 是实打实的要求。

卡在某个进度不知道查哪。客户端日志在 Setting 菜单的 Open Log，本地是 logs 目录下的 main.log；服务端日志去 Docker 里点对应容器的 Logs 页签，生成卡 20% 这类问题基本能在 TTS 容器的日志里看到音频路径报错：

⚖️ 适合谁 / 不太适合谁

适合：

手上有 NVIDIA 独显机器，想不出镜批量做口播、教学、宣传视频
素材涉隐私或商业机密，要求全离线处理
开发者，想通过本地 API 把数字人生成接进自己的产品
需要多语言内容，用 8 种界面语言分别产出不同语种版本

不太适合：

没有 NVIDIA 显卡或内存不足 32G，三个服务跑不起来
希望五分钟跑起来，接受不了半小时拉镜像和 70G 的磁盘占用
追求广播级的口型精度，本地版官方定位是"效果可用"
用户规模很大的商业化落地，商用前先核对 LICENSE 里的签署门槛

把"数字人视频"从按分钟计费的云端服务，变成一套能躺在自己机房里的工具，代价就是一张 NVIDIA 显卡和 100G 磁盘。部署被卡住时先翻 doc/常见问题.md，上面几个坑基本都有记录；商用授权条款看 LICENSE 和仓库里的协议 PDF。机器够的话，先拉镜像，从 lite 版本试起。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

Duix.Avatar：10秒视频克隆数字人，从部署到出片全记录