Duix.Avatar本地部署AI数字人视频工作室：一段10秒视频能走多远-港品优选

Duix.Avatar本地部署AI数字人视频工作室：一段10秒视频能走多远

【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

你要批量产出口播视频，外包按分钟计费，把素材传到云端服务又有点不放心。Duix.Avatar 解决的就是这个问题：一款开源、全离线的 AI 数字人工具包，上传一段 10 秒左右的视频，它就能克隆你的形象和声音，之后用文字或音频驱动这个数字分身，产出口型匹配的口播视频。素材和模型都留在你自己的机器里。

🧭 部署前硬件自检清单

Duix.Avatar 没有 CPU 兜底方案，全部算力压在 NVIDIA 显卡上，所以动手前先对照检查：

项目	要求	说明
显卡	NVIDIA 且装好驱动（推荐 RTX 4070）	没显卡或没驱动，三个服务根本起不来
内存	32GB 及以上	16G 可能带不动 ASR 服务
硬盘	C 盘空余 100G，D 盘 30G	C 盘存 Docker 镜像，D 盘的 duix_avatar_data 存素材和作品
系统	Win10 19042.1526+ 或 Ubuntu 22.04	Ubuntu 需额外装 NVIDIA Container Toolkit
网络	建议连 WiFi	首次拉镜像约 70G 流量

部署有两条路线：手上已有音频、只想先跑口型合成的，选lite 版（单服务）；要走「上传视频 → 克隆 → 文字出片」完整流程的，选完整版（三个服务）。

⚡ 本地部署：最小路径

先拿源码：

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

把仓库放到本地，deploy 目录里放着各场景的 compose 文件。启动服务端：

cd deploy docker-compose up -d

这一条命令会拉取 fun-asr、fish-speech-ziming、duix.avatar 三个镜像并启动容器，同时把 D 盘 duix_avatar_data 挂成数据盘。下载耗时约半小时，取决于网速。

验证锚点：Docker 容器列表里duix-avatar-asr、duix-avatar-tts、duix-avatar-gen-video三个服务全部显示 Running，服务端就算就绪；lite 版则是Duix.Avatar-gen-video一个服务 Running。

Ubuntu 22.04 把文件换成 Linux 专用版即可：

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

客户端是桌面程序，从官方 release 下载 setup.exe 安装（Windows），或运行 AppImage（Linux）。Ubuntu 下 root 用户进桌面的，要在终端加--no-sandbox参数启动。

制作你的第一段数字人视频

打开客户端，首页两个入口：Create Avatar（创建形象）和Create Video（生成视频）。

先克隆形象：上传一段你对着镜头说话的 10 秒视频。这一步系统会把视频拆成静音视频 + 音频，对画面做面部识别，再用 fun-asr 转写、fish-speech 对声音建模，得到一个以你命名的数字模型。这里有个硬性要求：素材视频必须带人声。没有声音就没有克隆对象，上传那一步就会直接报错。

再生成作品：选中模型，输入文案，支持中、英、日、韩、法、德、阿、西八种语言。内部链路是文字 → TTS 合成语音 → 驱动模型生成口型同步的视频；也可以直接上传现成音频，数字人会按这段音频的节奏和语调表演。

成片完成后自动归档到 My Works，在线播放和导出都在这一步完成。

🛠 进阶与投产

部署方式对照

场景	命令	说明
完整版（默认）	`docker-compose up -d`	三服务，克隆 + 文字转语音一条龙
快速体验	`docker-compose -f docker-compose-lite.yml up -d`	只起视频合成服务，适合拿现成音频跑
NVIDIA 50 系显卡	`docker-compose -f docker-compose-5090.yml up -d`	基于 PyTorch 预览版，5090 实测通过，30/40 系配 CUDA 12.8 也能用

值得动的三个参数

参数	默认值	建议值	不改会怎样
镜像下载源	Docker Hub 官方源	配置国内 registry-mirrors	拉取卡住、超时
Docker 数据位置（Win）	C 盘 AppData	空余不足 100G 就 Browse 到别的盘	镜像写满磁盘直接失败
shm_size（视频合成服务）	8g	保持 8g	长视频合成时共享内存不足会崩

Windows 下改数据位置的入口在 Docker 设置 → Resources → Disk image location：

如果你想把这套服务接进自己的系统，Docker 起来后会开放三个本地端口：18180 语音合成、10095 语音识别、8383 视频合成（/easy/submit提交、/easy/query查进度）。参考实现可以看 src/main/service/ 下的 model.js、video.js、voice.js。

启动报错排查

排障前先过两关：三个服务是否都 Running；nvidia-smi能否显示显卡。任一不过，后面这些错你大概率一个都撞不上。

拉镜像报 request canceled / context canceled：Docker Hub 连接不稳。在 Docker Engine 配置里加 registry-mirrors 国内镜像源并 Apply & restart，或开全局网络。

下面两条是客户端侧的高发问题：

克隆形象报 Connection refused：ASR 服务启动慢或内存不够（16G 可能起不来）。服务端起来后等几分钟再克隆；内存只有 16G 的，建议先升到 32G。
克隆报错但没更多提示：素材视频里没有说话声，换一段你说话的素材即可。

再定位不了，翻客户端日志，服务端则点对应 Docker 容器「复制」日志，对照仓库里的常见问题逐条匹配。

下一步

用nvidia-smi确认显卡可用，C 盘腾出 100G。
在 deploy 下执行docker-compose up -d，等三个服务全部 Running。
上传一段带人声的 10 秒视频，克隆你的第一个数字分身，跑通一条 1 分钟文案。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析