本地数字人怎么跑起来：用10秒视频克隆形象，全程离线生成口播视频-编程实验室

本地数字人怎么跑起来：用10秒视频克隆形象，全程离线生成口播视频

【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

把一段10秒左右的手机自拍视频交给 Duix.Avatar，它能克隆出你的形象和声音；之后输入一段文案，或直接上传自己的录音，就能得到一个口型同步的说话视频。整个过程在本机完成，不用把素材上传到云端——这是这个开源项目最值得先知道的一点。

它是什么，适合谁

Duix.Avatar 是一个全离线的数字人视频工具：服务端跑在 Docker 里（基于本地 NVIDIA 显卡），客户端是一个桌面程序，负责上传素材、录入文案、预览和导出。官方推荐配置是 i5-13400F、32G 内存、RTX 4070 级别显卡，磁盘预留 100G 以上；社区里有不少 8G 显存显卡跑通的反馈，显存需求在同类方案里算比较省。

它适合三类人：

做课程、口播、产品演示，需要频繁更换文案但不想反复出镜录制的创作者；
在意素材隐私、不想让视频和声音离开自己机器的用户；
想基于开放 API 做二次开发、把数字人能力嵌进自己产品的开发者。

最低配置要求与最短启动路径

先说硬件底线，三条都是硬要求：

有 NVIDIA 显卡并装好驱动（所有算力都在本地，没有 N 卡三个服务都起不来）；
内存 32G 及以上（16G 内存的机器 ASR 服务可能直接启动失败）；
Windows 需要 D 盘空闲大于 30G、C 盘大于 100G（存镜像）；Ubuntu 需要 100G 空闲磁盘。

服务端就是几条命令的事。以 Ubuntu 22.04 为例，装好 Docker 和 NVIDIA Container Toolkit 后：

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

Windows 用户在仓库的deploy目录直接执行docker-compose up -d即可。首次拉取镜像会消耗约 70G 流量，官方给出的等待时间是半小时左右，速度取决于你的网速，建议连 WiFi 耐心等。启动成功后 Docker 里会看到duix-avatar-asr、duix-avatar-tts、duix-avatar-gen-video三个服务处于 Running 状态。

客户端不需要自己编译，从项目 Releases 页面下载官方构建的安装包：Windows 是 exe 安装程序，Linux 是 AppImage，双击即可。

核心能力拆解

形象 + 声音一次克隆。上传一段约10秒、有清晰人声的视频，程序会同时完成外貌建模和声纹克隆，之后这个人"开口"用的就是你的声音。适合需要统一出镜形象的团队。

文本、录音双驱动。生成视频时可以输入文案由 TTS 合成本人音色朗读，也可以直接上传一段录音（支持 mp3、wav 等，单条小于 30 分钟，官方提示用干声、避开背景音效果更好）。适合有现成脚本或已录好旁白的场景。

全离线，数据不出机器。从视频采集、预处理、克隆到合成导出，全程无网络交互，素材只存在本地磁盘。适合对隐私敏感的内容生产。

开放本地 API。Docker 启动后在 127.0.0.1 上暴露模特训练、音频合成、视频合成三类接口（端口 10095 / 18180 / 8383），源码在src/main/service/下有完整调用示例。适合想把数字人能力接进自有系统的开发者。

两个真实使用场景的复盘

第一次部署，卡在拉镜像。我在 Windows 上跟着文档走，docker-compose up -d执行后三个容器反复报错，日志里全是registry-1.docker.io连接超时——就是 Docker Hub 官方源在国内访问不稳定的老问题。处理办法是在 Docker Desktop 的 Docker Engine 设置里加上国内 registry 镜像源（官方常见问题里给了一份现成配置），改完 Apply and restart，重新拉取就顺了。

克隆第一步报 Connection refused。服务端刚拉起来我马上就上传视频做模特克隆，结果客户端直接报Connection refused，日志里能看到 ASR 服务还没建立连接。后来才明白 ASR 服务启动比较慢，官方建议服务端启动后等几分钟再做克隆操作。等了几分钟重试，克隆顺利通过，客户端首页就多了这个"数字分身"。

把课程口播搬回家。第二个场景是我录了一段 10 秒的正面说话视频（文档要求至少 8 秒、吐字清晰、必须带人声），克隆成功后，写一段讲稿贴进文案输入框，生成的视频里"我"的口型和讲稿逐句对应；换文案重新生成不需要再录任何东西。客户端首页的 My Avatars 和 My Works 分别管理克隆的形象和生成的作品，支持建多个形象切换，做系列内容时很方便。

硬件门槛与可选部署方案

服务端提供三份 compose 文件，按需选一个，不要混用：

方案	启动命令（deploy 目录下）	容器	适用场景
完整版（Windows）	`docker-compose up -d`	asr / tts / gen-video 三个	常规创作，8 种语言 TTS（中、英、日、韩、法、德、阿、西）
轻量版 lite	`docker-compose -f docker-compose-lite.yml up -d`	仅 gen-video	显存紧张、或已有外部 TTS 只跑视频驱动
50 系列版	`docker-compose -f docker-compose-5090.yml up -d`	tts(5090) / gen-video 两个	RTX 50 系列显卡，基于 torch 预览版，30/40 系列部分 CUDA 12.8 用户也可用

两个容易忽略的配置：合成容器设置了 8G 的 shm_size，内存小的机器建议同时把 Docker 的内存上限调上去；磁盘方面，镜像加模型加数据，预留 100G 是官方口径的稳妥值，社区有反馈 10G 量级的模型、8G 显存也能跑，可以按自己机器情况试。

部署和使用中的常见坑位

Q：docker-compose up -d报 request canceled / connection 超时？Docker Hub 官方源在国内不稳定。在 Docker 的 daemon 配置里加国内 registry-mirrors（仓库 FAQ 里有一份可用列表），或走全局代理后重试。

Q：新增模特时报错，提示与视频相关？用于克隆的视频必须带人声、且是人在说话，程序要用这段声音做声音克隆；纯画面或音乐视频会失败。

Q：定制模特报 Connection refused？ASR 服务启动慢，服务端刚拉起就操作容易撞上，等几分钟重试即可；另外 16G 内存的机器 ASR 可能根本起不来。

Q：三个服务怎么也起不来？先跑nvidia-smi确认 NVIDIA 显卡和驱动正常，本项目没有 N 卡或驱动缺失时容器是无法启动的。

Q：Ubuntu 下用 root 双击 AppImage 没反应？在终端里加--no-sandbox参数启动即可，官方文档有说明。

Q：想换新版？服务端到deploy目录重新执行docker-compose up -d；项目更新比较频繁，不少旧问题在新版里已经修掉。