如何用Duix.Avatar免费打造你的AI数字分身：开源数字人本地部署实战指南

如何用Duix.Avatar免费打造你的AI数字分身：开源数字人本地部署实战指南

【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

🧭 第一章：项目速览——它解决了什么问题

Duix.Avatar 是一个完全开源的 AI 数字人项目：上传一段 10 秒左右的真人说话视频，就能克隆你的形象和声音，再输入文本或音频驱动数字人，自动生成口型对齐的口播视频，全程在自己电脑上离线跑完，影像与声音数据不出本地。

它是一款全离线视频合成工具，适合自媒体创作者、讲师、企业市场团队，以及想给产品接入数字人能力的开发者。它带来的价值很直接：数字人制作从"数万美元、数周周期"降到"一台 32G 内存的电脑 + 一块 NVIDIA 显卡"。

项目完全开源、免费商用（超大型企业的商用授权以仓库内许可协议为准），源码也能按你的需求直接改。

🚀 第二章：快速上手——5分钟跑起来

命令本身执行很快，但首次运行要下载约 70GB 的服务镜像，按网速留半小时到一小时。参考配置：32GB 内存、NVIDIA 显卡（仓库推荐 RTX 4070）、100GB 以上空闲磁盘，系统为 Windows 10 19042 及以上或 Ubuntu 22.04。

1. 环境准备：先确认显卡驱动可用，再装好 Docker Desktop。💡 本项目算力 100% 在本地 GPU 上，没有 NVIDIA 显卡或驱动装错，后面三个服务都起不来。
   • 终端执行nvidia-smi，做完这步你应该看到显卡型号和驱动版本。
   • Windows 用户再检查一下 Docker Desktop 里 WSL2 磁盘镜像的位置：C 盘需留 100GB 以上，不够就在设置里换成空间更大的目录（位置如下图中框出处）。

2. 获取代码：克隆仓库并进入部署目录。

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

做完这步你应该看到 4 个 docker-compose 文件，分别对应不同部署模式。

3. 一键启动：完整版一条命令即可，轻量版（只含视频合成服务）把文件名换成docker-compose-lite.yml就行。

docker-compose up -d # 启动完整三服务版 # 轻量版则执行: docker-compose -f docker-compose-lite.yml up -d

第一次运行大部分时间花在拉镜像，建议连 WiFi 耐心等待，不再滚动下载进度即完成。

4. 验证成功：先看容器状态，再从仓库的发布页下载对应客户端安装包（Windows 是 setup 包，Ubuntu 是 AppImage）并启动。

docker ps

做完这步你应该看到 3 个容器处于 Running 状态：duix-avatar-tts（语音合成）、duix-avatar-asr（语音识别）、duix-avatar-gen-video（视频合成），轻量版只有最后一个。客户端打开后即是下面的主界面，左侧进入首页可看到"我的作品"和"我的数字人"两个列表。

🧩 第三章：核心能力拆解

形象克隆：10秒视频变数字资产

一句话定义：给系统一段 10 秒左右的真人说话视频，产出一个可反复使用的"形象 + 声音"模型。

具体流程是：你上传素材后，客户端把视频转成 H264 统一格式，用 ffmpeg 分离出音轨，把音频发给语音服务做 ASR 预处理，得到参考音频和参考文本两样关键产物；之后模特、视频、声音三条记录一并写进本地数据库。克隆完成后，这个数字人随时可以被选中、复用、删除。

你可以用它来给公司或个人 IP 建立一个"标准代言人"，之后所有视频都用同一张脸、同一种声音出镜。

核心逻辑位于 src/main/service/model.js 与 src/main/service/voice.js。

视频生成：文本或音频驱动，自动对口型

一句话定义：输入文案或上传音频，数字人生成口型匹配的口播视频。

两个入口：直接在文本框输入台词，由克隆音色朗读；或上传现成音频文件驱动。任务按队列顺序提交，客户端每 2 秒轮询一次进度，成品视频落到"我的作品"里，支持在线播放和导出。文案支持中、英、日、韩、法、德、阿拉伯语、西班牙语 8 种语言。

你可以用它来批量生产知识口播：写好 10 条文案排队提交，回来收 10 条成片。

队列与进度逻辑在 src/main/service/video.js。

本地化管理：数据、模型、任务都留在自己手里

一句话定义：所有媒体与模型文件都存放在本机固定目录，任务状态记录在本地数据库中。

默认数据目录在 Windows 上是D:\duix_avatar_data（Linux 在用户主目录下的对应位置），按声音素材、模特作品分区存放；删除模型会连同对应文件一起清理，视频也能导出到任意位置，整个资产库完全由你掌控。

你可以用它来沉淀自己的数字人资产：一个形象、多段作品、多组声音，全部本地可查、可复用。

⚙️ 第四章：它是怎么做到的（架构与原理）

系统由三个容器加一个 Electron 客户端组成，数据链路是"输入 → 处理 → 输出"。以视频生成为例：输入是文案（或音频文件）加上模特素材视频；处理分两段——语音服务用克隆音色把文本读成 WAV，视频合成服务再按音频驱动模特画面做口型；输出是成片文件，写回本地"我的作品"。

最有技术含量的是素材处理链路（见 src/main/util/ffmpeg.js）：输入一段 10 秒说话视频，客户端先把它转成 H264，再用 ffmpeg 拆成"静音视频 + 音频"。静音视频是数字人的"底板"，音频送去识别服务转写成文本，与音频一起成为声音的参考对。之后每次合成语音，客户端都带着这对参考文件和目标文本调用语音服务：

{ "speaker": "唯一uuid", "text": "要合成的口播文案", "format": "wav", "reference_audio": "模特训练返回的 asr_format_audio_url", "reference_text": "模特训练返回的 reference_audio_text" }

也就是说，"声音克隆"并没有往云端传什么模型，本质就是"参考音频 + 参考文本"这一对凭据，每次合成时模型照着参考样本的音色实时发声。这也解释了为什么素材视频必须有声音、必须有人在说话。

部署侧对应四个 compose 文件（都在 deploy/ 目录），按硬件挑一个：

理解了原理，接下来看看实际能做什么。

🎬 第五章：实战场景与进阶玩法

自媒体口播生产

个人创作者把 Duix.Avatar 当成"个人演播室"：录 10 秒自己说话的视频完成克隆，之后每天把口播文案丢进去，自动产出带自己脸和自己声音的成片。相比拍摄加剪辑，流程缩短到"写稿 + 点生成"，更新频率和稳定性都更容易保证。

企业统一 IP 与课程制作

市场团队和教培机构可以把一个"虚拟代言人"固定为品牌统一形象：产品讲解、新人培训、课程录制都由同一个数字人完成，形象与音色始终一致。新内容只是新文本，不用重新拍摄，素材也不出内网，合规压力小很多。

多语言内容本地化

文案支持 8 种语言，同一段中文原稿可以转成日语、韩语、英语版本。对做跨境业务和出海自媒体的团队来说，一次素材投入、多语言分发，口型还会随新语言的音频自动匹配。

二次开发：把数字人能力接进自己的应用

服务启动后，仓库直接暴露本地 API（详见 README_zh.md 的"开放 API"小节）：视频合成接口是http://127.0.0.1:8383/easy/submit，进度查询用同端口的easy/query。最小调用长这样：

const res = await fetch('http://127.0.0.1:8383/easy/submit', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ audio_url: 'D:/duix_avatar_data/face2face/temp/audio.wav', video_url: 'D:/duix_avatar_data/face2face/temp/model.mp4', code: 'task-001' }) })

基于这个端点，你可以搭批量生成工作流、内容后台插件或私有化工具。跑批量长任务时建议盯一下服务容器日志，方便第一时间发现异常：

🛟 第六章：踩坑速查

docker-compose up -d拉镜像报连接超时？别急，大概率是 Docker Hub 官方源连不通。在 Docker Desktop 的守护进程 JSON 配置里加上registry-mirrors国内镜像源（仓库常见问题文档里给了可用列表），保存后等 Docker 重启；或者开全局代理。

• 验证：docker images
• 预期：看到 3 个guiji2025开头的镜像，容器正常启动。

三个服务起不来或反复重启？别急，大概率是机器上没有 NVIDIA 显卡、或驱动没装好——本项目算力全在本地。

• 验证：nvidia-smi
• 预期：显示显卡型号和驱动版本；命令不存在或报错就去装驱动，再重启 Docker。

定制模特报 Connection refused？别急，大概率是语音识别服务启动慢还没就绪（内存小于 32GB 也可能起不来）。

• 验证：docker logs duix-avatar-asr
• 预期：服务端启动后等几分钟再操作克隆；日志能看到服务就绪信息。

新增模特失败，提示和音频有关？别急，大概率是素材视频没有声音或没有人说话——声音克隆必须依赖音频。

• 处理：重录素材，10 秒左右、面部清晰、连续说话。
• 预期：训练成功，数字人出现在"我的数字人"列表。

📌 以上都没解决，先打开 doc/常见问题.md 对照自查，再看容器日志的最后一行报错，把这一行连同复现步骤带上提问。

📚 第七章：资源索引

Duix.Avatar 把数字人制作从"数万美元流程"压缩到"10 秒视频 + 一条命令"，全离线、开源、免费商用。现在打开终端，跑通第二章的第一步，一小时内你就会拥有一个会说话的 AI 数字分身。

• 中文完整文档：README_zh.md
• 官方常见问题与自查清单：doc/常见问题.md
• 部署配置文件：deploy/
• 客户端核心服务与 API 参考：src/main/service/

【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