企业官网建设流程全解析

Duix.Avatar：10秒素材克隆数字人完整指南

【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

Duix.Avatar 是一款完全开源的 AI 数字人视频合成工具：上传一段你自己的短视频，它就能在本地克隆你的外貌和声音，再靠文本或语音驱动它开口说话。传统 3D 数字人制作要数十万美元，现在降到 1000 美元级——成本直接砍掉 99%，而且全流程离线，数据不出你的电脑。

3组数据，说明它凭什么值得换

传统路线做数字人：动捕棚 + 建模团队 + 数周周期 + 数十万美元报价。Duix.Avatar 路线：一段自拍视频 + 一张 NVIDIA 显卡 + 半小时部署。差异具体到三个点上：

• 痛点：外包 3D 数字人，数十万美元起步。方案：用真人视频数据本地训练模型。收益：制作成本降到 1000 美元级，降幅 99%。
• 痛点：在线生成 API 必须把素材和声音传到云端，隐私风险自担。方案：ASR、TTS、视频渲染三个服务全部跑在本机 GPU。收益：外网流量为 0，完全离线。
• 痛点：自己接 ASR/TTS/视频模型，得先会 Python 再会工程。方案：3 个 Docker 镜像 + docker-compose 编排，Electron 客户端管界面。收益：拉镜像约 30 分钟，图形界面开箱即用。

核心模块拆解：3个服务怎么配合跑起来

整套架构是"三个容器 + 一个客户端"：语音克隆、视频合成各占一个服务，客户端负责串流程。

🎙️ 语音克隆：本地 TTS 服务

把你的一句话音频变成"你嗓子"的任意文本朗读。底层是 Fish-Speech（语音合成，TTS: Text To Speech）服务，监听 18180 端口，走/v1/invoke接口：传reference_audio（参考音频）和reference_text，再带上topP: 0.7、temperature: 0.7、max_new_tokens: 1024这类采样参数即可。传统 TTS 只有固定内置音色，它能从一段参考音频里复刻你的语速、语气和音色。

🎬 视频合成：Face2Face 口型驱动

让原视频里的人脸跟着克隆语音做口型。视频服务跑在 8383 端口，/easy/submit提交任务（传audio_url+video_url），/easy/query?code=xxx轮询进度。容器侧用shm_size: 8g撑住共享内存，PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:512抑制显存碎片。传统 3D 管线要建模、绑骨、对口型、渲染好几道工序，这里一次接口调用搞定，任务队列由客户端本地 SQLite 管理。

🖥️ 桌面客户端：Electron 任务调度器

统一管理数字人模型、声音模型和合成任务。Electron + Vue 3 + better-sqlite3 本地数据库 + fluent-ffmpeg 处理音视频，状态机按 draft → waiting → 完成流转，轮询服务端更新进度条。不懂代码的人全程点鼠标完成克隆和出片。

五步跑通：从装环境到出片

1. 校验环境：显卡、Docker、WSL

核心操作：

nvidia-smi docker --version wsl --list --verbose

踩坑提醒：

• ❌ AMD/核显不行，三个服务起不来
• ❌ C 盘空闲 <100GB，Docker 镜像放不下
• ✅ 推荐 i5-13400F + 32G 内存 + RTX 4070
• ✅nvidia-smi必须能看到显卡型号

2. 拉起服务：一键启动3个容器

核心操作：

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

踩坑提醒：

• ❌ 首次拉取约 70GB 流量，中途别断电断网
• ❌docker ps不是 3 个 UP，先查日志再重启
• ✅ 50 系显卡改跑docker-compose-5090.yml
• ✅ 显存紧张可跑 lite 版docker-compose-lite.yml

3. 装客户端：安装包或 AppImage

核心操作：

# Windows: 双击 Duix.Avatar-x.x.x-setup.exe 安装 # Ubuntu root 桌面下需加参数启动： ./Duix.Avatar-x.x.x.AppImage --no-sandbox

踩坑提醒：

• ❌ 别装在含中文的路径下
• ❌ 不要同时开多个客户端实例
• ✅ 连不上服务端，检查防火墙放行 8383/18180

4. 训练模型：一段视频克隆外貌和声音

核心操作：

# 客户端点 Create Avatar，上传10~30秒正面 MP4 视频 # 系统自动拆出音频与无声视频，分别送 TTS 和 Face2Face 训练

踩坑提醒：

• ❌ 视频里戴帽子、墨镜，特征提取会翻车
• ❌ 多人同框或频繁遮挡面部，训练失败
• ✅ 分辨率 ≥720P，背景简单、光线均匀

5. 生成视频：文本变成片

核心操作：

# Create Video → 选模型 → 输入文本或上传音频 → Generate # 音频走 18180 合成，成片走 8383 渲染，客户端轮询进度

踩坑提醒：

• ❌ 单次文本 >500 字，容易显存溢出
• ❌ 合成中途关掉客户端，任务队列会卡住
• ✅ 渲染失败先查显存，不够就降分辨率

真实场景怎么用：老师、客服、自媒体

做课程视频的老师

• 谁在用：要批量产出标准化课程视频的讲师
• 怎么搭：
  • 训练一个"虚拟讲师"模型，多门课程复用同一形象
  • 长课脚本分段处理，单次不超过 500 字防溢出
  • 渲染走本机 8383 服务，批量任务排队提交
• 效果：单课制作成本降 80%，日均产出 300+ 分钟课程视频

搭客服数字分身的运营

• 谁在用：需要 7×24 多语言自助视频的企业客服团队
• 怎么搭：
  • 用金牌客服形象克隆一个数字分身，训练正式/亲切两种音色
  • 中、英、日、韩等 8 种语言脚本直接出片，FAQ 视频预生成缓存
  • 长尾问题再走动态渲染，缓存优先
• 效果：常见咨询从"人工分钟级应答"变成"视频秒级自助"，8 语言一套配置全出

日更口播的自媒体

• 谁在用：个人博主，要周更甚至日更口播视频
• 怎么搭：
  • 工作流接成"文案 → TTS 音频 → 视频渲染"三段管线
  • 口型精度优先时用音频驱动模式，音频采样率 44.1kHz
  • 换背景用绿幕素材，后期替换更省时间
• 效果：周产出 3 条 → 15 条，单条制作时间缩 75%

进阶：改代码、调参数、找社区

• 二次开发：接自己的 TTS 可参考 src/main/service/voice.js 的合成流程；新增服务端调用参考 src/main/api/request.js 的请求封装；改界面参考 src/renderer/src/views 下的 Vue 组件
• 性能调优：显存吃紧先切 720P 出片；lite 版单容器部署走docker-compose -f指定文件即可，不用动主配置
• 社区资源：排错先看 doc/常见问题.md，问题提项目 issue，社区更新很快

Duix.Avatar 把"模型+声音+视频合成"整条链路搬进一台有显卡的电脑，离线、免费、零门槛。以后做"一个自己的数字人"，大概就和装个应用一样顺手。

【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