企业官网建设流程全解析

HeyGem.ai 数字人本地部署全解：10秒克隆数字分身

【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

想让人替你念口播，又不想出镜？HeyGem.ai（Duix.Avatar）是一个开源数字人项目：录 10 秒视频，它就能克隆你的形象和声音，之后输入文案，自动产出口型对得上的口播视频，全程本地离线跑，素材不出内网。#个人创作者 #课程制作 #数字营销

能不能跑：数字人硬件配置对照

先给结论：必须有 NVIDIA 显卡，这是硬门槛。项目里语音克隆、语音识别、视频合成三个 AI 服务全部依赖 GPU 算力，没有独显或驱动没装好，服务根本起不来。集成显卡、纯 CPU 方案请绕行。

两条系统级建议：

• 装好 NVIDIA 驱动后，在终端执行nvidia-smi。你应当看到显卡型号、显存大小和驱动版本号，这是后面一切部署的前提。
• 拉取镜像默认走 Docker Hub，国内网络下很慢，进阶档会教你配国内镜像源。

它怎么做的：从10秒视频到成片

把数字人克隆理解成"录模板"：你录的 10 秒视频，就是教 AI 认脸和听声的样本。脸是"面具"，声音是"声纹"，之后给它任何文案，它就照着模板开口说话。

拆开看，整条流水线是四个环节：

• 语音克隆（TTS）：从你的音频样本里学音色、语调，之后用这个声音朗读任意文本。
• 语音识别（ASR）：把你视频里说的话转成文字，作为声音训练的参考文本。
• Face2Face 视频合成：以原视频为模板，按新音频的口型逐帧生成新的面部画面，这是"换口型"的核心。
• 音视频合成引擎：把新画面和克隆语音按节奏对齐，输出最终视频。

客户端本身是个 Electron 桌面程序（源码在 src/main/service/video.js 可见它如何调度），所有重活都丢给本地三个 Docker 服务：TTS 占 18180 端口、视频合成占 8383 端口。

边界清单——这些它目前做不到：

• 只能克隆"会说话的上半身"，复杂肢体动作、走动场景不在能力范围内。
• 源视频必须有清晰人声且是说话状态，静音视频会直接报错。
• 源视频质量决定上限：光线暗、侧脸、多人出镜，效果都会打折。
• 文案语言支持中文、英、日、韩、法、德、阿、西共 8 种，超出范围不保证效果。

怎么跑起来：数字人本地部署最小路径

快速档（5 分钟跑通）：

git clone https://gitcode.com/GitHub_Trending/he/HeyGem.ai

你应当看到当前目录下出现HeyGem.ai文件夹，里面有deploy（部署配置）等目录。

cd HeyGem.ai/deploy docker-compose up -d

首次执行会拉取约 70G 流量，耗时半小时以上。完成后你应当看到docker ps里三个容器均为 Running：duix-avatar-tts、duix-avatar-asr、duix-avatar-gen-video。

最后装客户端：用官方构建的安装包（Windows 双击 exe、Ubuntu 用 AppImage）启动即可。打开后你应当看到主页两个大入口——"创建视频"和"创建虚拟形象"，上传 10 秒视频完成克隆，再输文案就能生成成片。

如果卡住了：先确认三个服务是否都在 Running，再确认nvidia-smi有输出。哪个服务异常，就点开该容器复制日志排查，方式见 doc/常见问题.md 的截图说明。

进阶档（按机器对号入座）：

显存 8GB 左右想省着用，用 lite 配置，只启动视频合成服务，声音改用你自己录的音频：

cd HeyGem.ai/deploy docker-compose -f docker-compose-lite.yml up -d

你应当看到只有一个容器Duix.Avatar-gen-video启动。

RTX 50 系列（5090 已验证，30/40 系列 CUDA 12.8 用户也可用）换专用编排文件：

docker-compose -f docker-compose-5090.yml up -d

拉镜像慢，就给 Docker 加国内镜像源，在/etc/docker/daemon.json写入：

{ "registry-mirrors": [ "https://hub.fast360.xyz", "https://hub.littlediary.cn" ] }

保存后重启 Docker。你应当看到镜像从新源拉取，速度明显回升。

⚠️ 首次拉镜像约 70G 流量且 Windows 需要 C 盘 100G+ 存镜像文件——连上 WiFi 再执行，空间不足时在 Docker 设置里改"Disk image location"。

⚠️ 所有算力都在本地，装完驱动先跑一遍nvidia-smi再部署，能省掉大量"服务起不来"的排查时间。

如果卡住了：镜像源随时间会失效，遇到request canceled类报错，直接翻 doc/常见问题.md 里的最新可用镜像列表替换即可。

跑得更好：资源分配与批量生成

方向一：把 Docker 的资源配额调大。WSL 版 Docker 默认只分到很少的内存和 CPU，视频合成会明显变慢。打开 Docker Desktop → Settings → Resources → Advanced：

具体操作：CPU 分配系统总核心的 50%，内存给到 16GB 以上；"Disk image location" 指到 SSD 分区，提升镜像读写。你会看到合成一条 1 分钟视频的时间明显缩短，多个任务排队也不卡顿。

方向二：用开放 API 做批量生成。服务启动后会在本地暴露接口，写个脚本循环调用，就能批量出片。以视频合成接口为例，请求体最小配置：

{ "audio_url": "音频文件路径", "video_url": "源视频路径", "code": "唯一任务编号", "chaofen": 0, "watermark_switch": 0, "pn": 1 }

POST 到http://127.0.0.1:8383/easy/submit，再用code轮询easy/query查进度；文案转语音则调用 18180 端口的 TTS 接口，参数示例都写在 README 的"开放 API"一节里。你会得到一条不依赖客户端界面、可脚本化跑批的自动化流水线。

目前它克隆的仍是"会说话的上半身"，做不到舞蹈和复杂肢体语言；随着模型迭代，离线数字人离"生产级"只会越来越近。你打算让第一个 10 秒样本视频，替你念出哪句话？

【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