企业官网建设流程全解析

用10秒视频克隆你的开源数字人：Duix.Avatar 本地部署实战

【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

给同一段产品介绍录了八遍音，导演说：还是让 AI 念吧。可你又不想要个没脸的通用形象，Duix.Avatar 是个能选的路子：免费开源的数字人工具，丢给它一段10秒的、有你在说话的视频，它就把你的脸和声音都"拷"走。全程离线，素材不出你的电脑。

它到底能干嘛：10秒视频克隆数字人

流程很短。先拍一段10秒的自拍视频——重点是有说话的声音，这一步不只是采你的脸，连声音也要一起克隆。上传它，数字人就建好了。接下来去"Create Video"里打一段文案，或者直接传一个 mp3，出来的就是"你"在念稿、口型跟音频对得上的成片。

自媒体口播、课程讲解、企业产品演示，够用了。文案支持中、英、日、韩等8种语言，念英文稿它就念英文。所有环节都在本地算，合同讲解、内部培训这类敏感素材也敢往里放。

第一次打开 Duix.Avatar：主界面走读

客户端装好后双击启动。主界面很干净：上方两张大卡片，左边"Create Video"，右边"Create Avatar"。

下方两个页签对应"My Works"和"My Avatars"：生成的视频归左边，克隆好的数字人归右边，还能按名字搜。右上角 Setting 菜单能打开日志、切中英界面、看协议。你第一件要做的事很明确：点右边那个"Create Avatar"，上传10秒视频、起个名字（后端服务没跑起来会报错，所以先去看下一节）。

从0到跑通：一条 docker-compose 命令起三个服务

动手前对一下单子：

• 系统：Windows 10（19042.1526 以上）或 Ubuntu 22.04
• 显卡：NVIDIA 且驱动装好（RTX 30/40/50 系列）
• 内存：32GB 及以上
• 磁盘：100GB 以上空闲；拉镜像大约 70GB 流量，建议连 WiFi

第一步：装 Docker。Windows 用户先用wsl --list --verbose确认 WSL 装没装，然后安装 Docker Desktop；Ubuntu 用户直接跑：

sudo apt install docker.io docker-compose

Windows 这步耗时看网速，卡了就重试。

第二步：拉代码。

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

仓库很小，一般一分钟内结束。

第三步：起服务端。配置文件在deploy目录，一条命令把 ASR、TTS、视频合成三个服务全拉起来：

cd deploy && docker-compose up -d

Ubuntu 用户要加文件参数：docker-compose -f docker-compose-linux.yml up -d；显存 8G 左右的低配机器可换 lite 版。这步要 30 分钟上下，Docker 在偷偷下载三套镜像，终端看着像死了，其实没死。Docker 里看到三个服务都是 Running，就算成了：

第四步：装客户端。到仓库 Releases 页下载对应系统的安装包：Windows 双击.exe；Ubuntu 双击.AppImage直接跑（root 用户跑不起来就加个--no-sandbox参数）。

翻车记录：镜像拉不下来和卡在20%的自救

最常踩的是三个坑。先是镜像拉不动：第三步的报错里全是Client.Timeout exceeded，说明网络够不到 Docker Hub，先别怀疑显卡。救法：Docker Desktop 右上角齿轮进 Docker Engine，在配置里加一段registry-mirrors（国内镜像源，自己搜最新的一批填进去），Apply & restart，再重跑第三步那条命令。

第二个是创建数字人失败。九成是上传的视频"没声音"：程序要拿视频里说话的声音做克隆，无声视频、只有 BGM、拍的是别处背景，都会挂。重拍一条，人脸正面清楚、10～20秒即可。

第三个是生成卡在20%。问题出在音频处理环节：在 Docker 里找到 heygen-tts 容器，打开 Logs 页签，大概率看到 file not exists 之类的报错：

多半是音频路径不对或服务没完全起来，重启对应容器通常就好。还不行就按顺序查：三个服务是否都 Running、nvidia-smi是否认得显卡、服务端客户端是不是最新版。

延伸一下：三个微服务与本地开放的 API

这套界面背后是三个微服务：fun-asr 管音频转文字，fish-speech 管文字转音频（18180 端口），视频合成引擎挂在 8383 端口做口型驱动。端口都暴露在 127.0.0.1 上，想接进自己的工作流，模型训练、音频合成、视频合成三组接口直接调用，调用姿势在src/main/service/video.js等几个文件里写着。踩到上面没盖到的坑，先看 doc/常见问题.md；没答案就去仓库 Issues 里搜，多半有人先摔过。

【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