企业官网建设流程全解析

Duix.Avatar 免费开源 AI 数字人部署教程：10 秒视频克隆形象，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

做一条真人出镜的口播视频，最省事的方式大概是：录一段 10 秒左右的视频喂给Duix.Avatar，让它克隆你的形象和声音；之后你只管把文案贴进去，或者上传一段音频，它就能自动把口型对上，吐出一条完整的口播视频。整个过程在本地离线完成，素材不经过外网，隐私不用太担心。

它是什么，凭什么免费

• 一个完全开源的 AI 数字人工具，本地部署后可无限次生成，不限量、不收订阅费
• 服务端基于 Docker 跑在你自己的显卡上，三个服务分别负责语音识别（ASR）、语音克隆合成（TTS）和视频合成，全程离线
• 克隆只依赖一段 10 秒视频；脚本支持 8 种语言（中、英、日、韩、法、德、阿拉伯、西班牙语）
• 客户端是 Electron 桌面程序，Windows 和 Ubuntu 22.04 Desktop 都有安装包
• 也开放本地 API（http://127.0.0.1），方便你接到自己的业务流程里

一句话区分它和其他数字人方案：商业 3D 数字人动辄报价数万元，而这里你只需要一台带 NVIDIA 显卡的电脑。

部署前的环境检查：硬盘、显存、驱动

先对照一下配置，差一项都可能卡住：

依赖方面，服务端需要 Nodejs 18 和三个 Docker 镜像：docker pull guiji2025/fun-asr、docker pull guiji2025/fish-speech-ziming、docker pull guiji2025/duix.avatar。

Windows 上装 Docker 前，先用wsl --list --verbose看看 WSL 在不在，没有就执行wsl --install（网络原因可能失败，多试几次），装完用wsl --update更新，再安装 Docker Desktop。C 盘空间不够时，在 Settings → Resources → Advanced 里把 Disk image location 指到另一块盘：

服务端部署：一条命令拉起三个容器

仓库里deploy/目录放好了 compose 文件，进目录起容器：

cd /deploy docker-compose up -d

想要 lite 版（只有视频生成服务Duix.Avatar-gen-video，没有 ASR 和 TTS），用：

docker-compose -f docker-compose-lite.yml up -d

耐心等半小时左右，这一轮会拉大约 70G 的镜像，建议连 WiFi。Docker 里看到duix-avatar-asr、duix-avatar-tts、duix-avatar-gen-video三个服务都 Running，服务端就算就绪了（lite 版只有一个）。

两个变体场景：

• NVIDIA 50 系列显卡（30/40 系列用 cuda 12.8 的也可以）：改用cd /deploy && docker-compose -f docker-compose-5090.yml up -d，它基于 torch 官方预览版构建，已在 5090 上验证通过
• Ubuntu 服务端：装好 Docker、显卡驱动和 NVIDIA Container Toolkit（装完nvidia-smi能显示显卡即成功）后，执行cd /deploy && docker-compose -f docker-compose-linux.yml up -d

镜像拉得慢或超时，就在/etc/docker/daemon.json里加镜像源（源会随时间失效，自行搜最新的）：

{ "registry-mirrors": [ "https://docker.mirrors.ustc.edu.cn", "https://hub-mirror.c.163.com" ] }

客户端安装：Windows 装 exe，Ubuntu 跑 AppImage

• Windows：下载官方构建的Duix.Avatar-x.x.x-setup.exe，双击安装
• Ubuntu：下载 Linux 版Duix.Avatar-x.x.x.AppImage双击即可，无需安装；如果以 root 用户登录桌面双击没反应，在终端执行./Duix.Avatar-x.x.x.AppImage --no-sandbox加上参数就能跑

客户端首次打开会要求你接受用户协议。装好之后你就在首页看到两个入口：Create Video（生成视频）和 Create Avatar（创建数字人），下面挂着"我的作品 / 我的数字人"两个列表。

从零生成第一条数字人口播视频

第 1 步：准备素材。录一段 10 秒左右的视频，要求：画面里的人在开口说话、环境音干净。注意素材必须带人声——程序要拿这段声音做声音克隆，静音视频直接报错。

第 2 步：克隆形象与声音。在 Create Avatar 里提交这段视频。后台会自动做三件事：把视频转成 H.264 的无声视频、用 ffmpeg 分离出音频、再调用 TTS 服务训练语音模型。对应代码在 src/main/service/model.js，它内部会串起 src/main/service/voice.js 完成声音训练。

第 3 步：写文案或传音频。进入视频编辑页后，先选一个数字人（左侧列表可以搜索），中间编辑区有两个 Tab：

• 文本驱动：输入文案，系统先把它转成你克隆的声音，再驱动口型
• 语音驱动：直接上传音频文件，数字人按音频的节奏做口型

第 4 步：生成并下载。提交后视频进入 waiting 队列，"我的作品"里能看到排队进度；生成完可以直接播放下载。支持批量生成，也支持导入多个模型按场景切换。

进阶：本地 API 与高级参数

不想走客户端界面、想批量跑任务的话，Docker 起完后本地就能调 API（可参考 src/main/api/f2f.js 的调用方式）：

• 模特训练：视频分离出音频后放到D:\duix_avatar_data\voice\data（该路径与guiji2025/fish-speech-ziming服务约定，可在 docker-compose 里改），然后 POSThttp://127.0.0.1:18180/v1/preprocess_and_tran，请求体：

{ "format": ".wav", "reference_audio": "xxxxxx/xxxxx.wav", "lang": "zh" }

返回的asr_format_audio_url和reference_audio_text要记下来，后面音频合成要用。

• 音频合成：POSThttp://127.0.0.1:18180/v1/invoke，speaker传一个唯一 UUID，text传要合成的文案，reference_audio/reference_text填上一步的返回值，其余为固定传参：format: "wav"、topP: 0.7、max_new_tokens: 1024、chunk_length: 100、repetition_penalty: 1.2、temperature: 0.7、need_asr: false、streaming: false、is_fixed_seed: 0、is_norm: 0。

• 视频合成：POSThttp://127.0.0.1:8383/easy/submit，参数：audio_url（音频路径）、video_url（视频路径）、code（唯一 key）、chaofen: 0（超分开关）、watermark_switch: 0（水印开关）、pn: 1；再用 GEThttp://127.0.0.1:8383/easy/query?code=${taskCode}轮询进度。

  合成服务本体在 src/main/service/video.js。

这些坑大概率会踩到

镜像拉取超时（request canceled while waiting for connection）可能原因：Docker Hub 官方源连接不稳定。 处理：开全局代理重试，或在daemon.json配置国内镜像源（见上文 JSON）。

新增数字人报错、克隆直接失败可能原因：上传的视频没有声音，或画面里的人没在说话，程序拿不到可克隆的声源。 处理：换一段 10 秒左右、人声清晰的视频重新提交。

克隆时报Connection refused可能原因：ASR 服务（duix-avatar-asr）启动很慢，服务端刚起就来请求会连不上；16G 内存的机器也可能起不来。 处理：服务端启动后等几分钟再克隆；内存紧张就升到 32G。

客户端连不上服务端可能原因：三个容器没全部 Running、防火墙挡了端口、或版本太旧。 处理：逐个检查容器状态；日志入口在客户端右上角菜单的 Open Log（日志文件在AppData\Roaming下的logs\main.log）：

服务端日志则点开对应 Docker 容器的 Logs 页签查看，file not exists之类的报错多和数据目录路径没配对上有关：

视频生成进度卡在 20% 不动可能原因：显存不足或系统资源吃紧，合成任务中途被拖死。 处理：显存建议 8G 起步（12G 更稳）、加大虚拟内存、降低输出分辨率，或者直接改用 lite 版部署。

提问前可以先走一遍 docs/常见问题.md 里的自查步骤：三个服务是否都 Running、nvidia-smi是否正常、服务端和客户端是否都更新到了最新版。

写在最后

到这里，从环境检查、Docker 三容器、客户端安装到"10 秒视频 → 文案 → 成片"的完整链路都跑通了。后面项目大概率会朝实时对话、多模态输入等方向继续演进，但你现在手里的这套离线工具已经够做内容批量生产：课程口播、带货切片、企业宣发、个人 IP 都能用同一套流程批出来。遇到文档没覆盖的问题，优先翻 docs/常见问题.md 和容器日志，再考虑去社区提问。

【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