企业官网建设流程全解析

本地免费制作口播数字人视频：Duix.Avatar 数字人克隆与视频生成完整教程

【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

把一段十秒左右、带人声的正面视频交给 Duix.Avatar，你的电脑会在本地训练出一个属于你的数字形象；之后再输入一段文字，就能得到一段由"你"开口说话的口播视频，口型、音色都来自你本人。这就是 Duix.Avatar 能帮你做出来的东西——一个完全离线运行的开源 AI 数字人视频工具，形象克隆、声音克隆和文本驱动视频合成都发生在你自己机器上，不经过任何第三方服务器。

先认识一下项目：为什么数字人克隆工具值得跑在本地

用过云端数字人服务的人大概都感受过两件事：按月扣费的账单，以及"我的素材要传到对方服务器上"这件事本身。Duix.Avatar 的思路是把这两件事都去掉：项目完全开源，克隆算法和合成框架直接放在代码仓库里，部署之后所有 AI 计算都在本地 GPU 上跑，录制的形象视频和声音样本不会离开你的硬盘。

它还顺手解决了几个容易踩的坑：界面是图形化的，没有技术背景也能上手；支持导入多个形象并统一管理；客户端在英文和中文之间可以自由切换。

动手之前：数字人克隆的硬件与系统环境要求

操作系统：Windows 10（19042.1526 或更高版本），或 Ubuntu 22.04 Desktop。确认命令：Windows 用winver，Ubuntu 用lsb_release -a。

磁盘：Windows 部署要求必须有 D 盘，D 盘（存数字人和项目数据）空闲大于 30GB，C 盘（存镜像文件）空闲大于 100GB；不足的话，装完 Docker 后可以把磁盘镜像位置改到空间更大的盘。

显卡：必须是 NVIDIA 显卡并装好驱动。三个核心容器都声明了runtime: nvidia，没有 NVIDIA 显卡或驱动没装对，服务根本起不来——这一点比 CPU 重要得多。

配置档位参考：

选件时优先保显卡显存；如果预算只够加一项，建议加内存到 32GB，训练中途内存不足的报错并不少见。

从 clone 代码到服务全部跑通：安装部署步骤

先拿到代码：

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

接着按顺序做四件事：

1. 确认系统版本（winver或lsb_release -a），不达标就先换系统或升级。
2. Windows 用户准备 WSL：执行wsl --list --verbose查看是否已安装，没有或版本旧就执行wsl --update。
3. 安装 Docker：Windows 下载 Docker Desktop，首次启动接受协议、跳过登录即可；Ubuntu 执行sudo apt update后安装docker.io与docker-compose，并安装 NVIDIA Container Toolkit 让 Docker 能用上显卡（详见 README 的 Ubuntu 安装说明）。磁盘镜像位置可以在 Docker 设置里改到空间更大的盘。
4. 启动服务：进入deploy目录，执行docker-compose up -d。这个目录下还有docker-compose-lite.yml、docker-compose-linux.yml等变体，按需选择。

首次启动会下载大约 70GB 的镜像，请留在 WiFi 环境等待约半小时，期间不要反复 Ctrl+C。完成后执行docker ps，看到fun-asr、fish-speech-ziming、duix.avatar三个容器状态都是 Up，即部署成功：

cd deploy docker-compose up -d docker ps

三者分别负责语音识别、语音合成和视频合成，对外暴露在http://127.0.0.1的 18180 与 8383 端口上，客户端会自动连接，不需要你手动配置。

一次完整创作：从克隆形象到生成视频

部署完成后打开客户端，首页有「Create Video」和「Create Avatar」两个入口，下方分别是"我的作品"和"我的数字人"列表。一次完整的创作按三步走。

第一步：建数字人形象

进入 Create Avatar，上传一段 10 秒左右的正面视频。注意两个硬性要求：分辨率建议 720p 以上、光线均匀；视频里必须有人声，因为系统要用这段声音做克隆——只有画面没有声音的视频会直接报错。提交后本地开始训练，基础配置大约 30 分钟，训练完成后你会得到一个可反复复用的数字形象。

第二步：声音随形象一起克隆

声音克隆依赖你上传视频里的人声，克隆出来的音色、语调和你本人一致，后续生成的语音都基于它。脚本支持 8 种语言：英语、日语、韩语、中文、法语、德语、阿拉伯语、西班牙语，语速、音调等参数都可以调。如果只想换音色而不想重录形象，可以在声音样本上单独处理，对应接口走的是 18180 端口的合成服务。

第三步：输入文字，生成口播视频

进入 Create Video，选择已训练好的形象，把口播文案贴进文本框。系统会把文字转成克隆的语音，再驱动形象做出对应的口型与表情，最终输出一条音视频对齐的视频。整个过程就是"文本 → 语音 → 视频"一条线，不需要你在中间手动拼接任何素材。

数字人视频用在哪里：三个真实场景

• 课程与培训录播：录制教师正面视频训练形象，把讲义变成口播稿，语速调到自己讲解时习惯的节奏，一条课程视频不需要反复进棚。
• 企业宣传物料：用代言人的形象批量产出产品介绍、活动预告。声音样本建议在安静环境、用质量好的麦克风录，口播稿统一成品牌口吻后，后续只需替换文字。
• 自媒体批量更新：固定一个虚拟主播的形象和声音，保证账号辨识度；文案批量准备后逐条合成，省去反复拍摄剪辑。

常见问题排查与日常优化

容器起不来。先执行docker ps看是哪几个容器不在 Running；再用netstat -ano | findstr "18180 8383"确认端口没被占用；检查 NVIDIA 驱动是否为最新；最后确认磁盘至少还有 30GB 空闲。多数"服务起不来"最终都落在这四处之一。

训练卡住或报错。最常见的原因还是素材：视频没有人声、分辨率低于 720p、或光线过暗。重录一段，必要时转成 H.264 编码的 MP4 再试；显存吃紧的机器可以适当降低训练参数，或者把其他占显存的程序关掉。另外 asr 服务启动比主服务慢，容器刚起来时别急着提交训练，等几分钟再操作。

合成变慢或卡顿。关掉与合成竞争 CPU 和内存的应用；用系统监控工具观察显存是否被占满；定期清理缓存目录（~/.duix_avatar/cache/）。日常维护上，每月更新一次 Docker 镜像、每周清一次临时文件；训练任务一次只跑一个，多个视频任务集中排队处理，比穿插执行更稳。排障时需要看日志，客户端日志入口在右上角菜单的 "Open Log"（文件位于AppData\Roaming下的 logs 目录），服务端日志则直接打开对应容器的 Logs 页复制即可。

继续探索：源码、接口与文档

想往下挖的话，按目录看代码效率最高：

• 模型训练 / 视频合成 / 声音合成的 API 调用逻辑：src/main/service/
• 端口与服务地址等运行配置：src/main/config/
• 各服务接口实现（f2f、tts）：src/main/api/
• 本地数据库与存储：src/main/db/
• 部署编排文件（含 lite 精简版与 Linux 版）：deploy/
• 中文排障文档，含镜像源配置、模特报错等常见案例：doc/常见问题.md

遇到问题时，顺序建议是：先读一遍 doc/常见问题.md，再到仓库 Issues 里搜关键词，最后带着复现步骤和容器日志去提问——项目更新比较频繁，很多问题在新版本里已经修掉了。

结尾

从克隆第一个形象开始：找一段十秒、有清晰人声的正面视频，按上面流程把服务跑起来，然后输入你的第一段口播文案。跑通之后，把训练好的模型和项目文件备份到外部存储，剩下的事情就是慢慢扩展你的使用场景了。

【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