企业官网建设流程全解析

Duix.Avatar 数字人本地部署完整教程：10 秒视频克隆数字人，本地生成口播视频

【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、可全离线运行的数字人（Digital Avatar，即你的虚拟分身）工具包：提供一段 10 秒左右的说话视频，它就能克隆你的形象和声音，再用文字或音频驱动，生成数字人口播视频。如果你要做培训、自媒体或营销类口播视频，又不想把素材交给云端服务，这个本地部署项目就是为你准备的。

它能干什么，又干不了什么

想象一个场景：你在做系列培训课程，需要一位固定的"出镜人"念稿。自己拍，错一个音就得重拍；用线上数字人服务，要付费，素材还得上传到云端。Duix.Avatar 把这件事搬到你自己的电脑上：拍一段 10 秒说话视频上传，系统学会你的长相和音色；之后每次制作，只要输入文案，数字人就会自动"念稿"，口型同步。

但边界也要说清楚：它是"口播型"工具，数字人只会说话，不会走动、不会做肢体动作；而且必须有 NVIDIA 独立显卡，所有算力都在你本地跑，集显机器直接出局。

四步跑通本地数字人环境

动手前先确认三件事：NVIDIA 独显且驱动已装好、内存 32G（16G 是底线）、硬盘空闲 100G 以上（首次拉镜像约消耗 70G 流量，建议连 WiFi）。

第 1 步，获取代码：

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

→ 成功标志：当前目录出现 HeyGem.ai 文件夹，里面有 src/、deploy/ 等子目录。

第 2 步，验证显卡驱动：

nvidia-smi

→ 成功标志：能看到显卡型号和驱动版本。命令不可用时先装好 NVIDIA 驱动——没有驱动，后面三个核心服务根本起不来。

第 3 步，启动服务端。Windows 用户先在命令提示符执行wsl --install装好 WSL2（网络原因可能失败，多试几次），再安装 Docker Desktop，然后在 deploy/ 目录下执行：

cd deploy docker-compose up -d

→ 成功标志：等待约半小时镜像下载完毕，Docker 容器列表出现 3 个服务且状态为 Running。低配机器可改用精简版docker-compose -f docker-compose-lite.yml up -d，只启动 1 个服务。

Ubuntu 22.04 用户装好 Docker 和 NVIDIA Container Toolkit 后（详见 README 说明），执行：

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

→ 成功标志：同样是 3 个服务 Running。点开容器的 Logs 标签页能看到启动日志，用这个页面随时确认服务端状态。

第 4 步，启动客户端。到项目 Releases 页下载官方构建的 Windows 安装包（.exe）或 Linux 版（AppImage），双击打开。

→ 成功标志：主界面出现"Create Video"和"Create Avatar"两个入口，可以开始创建数字人了。

原理扫盲：10 秒视频怎么变成数字人

把整个过程理解成"一张形象照 + 一份声音样本"。你上传的 10 秒视频会被拆成两部分：画面留给视频合成模型当"底"，音轨则交给 ASR（自动语音识别，让机器听写音频内容）提取出参考文本；TTS（语音合成）服务从这段音频里学习你的音色，之后能把任意新文案念成你的声音；视频合成服务再根据新音频，逐帧驱动原视频里的人脸，让嘴型跟着新音频动。

拆开看是这几个能力点：

• 形象 + 声音双克隆：一段 10 秒视频得到一个可反复使用的数字人资产
• 文字或音频都能驱动：直接输文案，或导入自己的录音
• 口型同步：合成引擎按音频节奏驱动面部
• 8 种语言文案：中、英、日、韩、法、德、阿、西
• 全离线：素材和算力都不出内网
• 开放 API：模特训练、音频合成、视频合成各有 HTTP 接口

局限也坦白说：口播型模型，没有肢体动作；NVIDIA 显卡是硬性要求，没有就是跑不起来；首次下载镜像体量大、启动慢；项目迭代快，问题主要靠社区修，速度不如商业服务。

调优与避坑：配置对照表与高频问题

Windows 上 Docker 镜像默认存在 C 盘，空间紧张的话，可以在 Docker Desktop 的 Resources 设置里把磁盘镜像位置改到其他盘。

⚠️ 三个高频问题：

1. docker-compose up -d报 Docker Hub 连接超时→ 官方源不稳定，在 Docker 设置里加上国内 registry 镜像源，重跑命令。
2. 新增模特时报错→ 你上传的视频必须有声音，且是人在说话，程序要靠这段音频做声音克隆，纯静音视频会失败。
3. 服务端刚起就克隆形象，报 Connection refused→ ASR 服务启动慢还没加载完，等所有服务 Running 后等几分钟再操作；内存只有 16G 时，服务可能直接起不来。

错误定位不了就看服务端日志：打开对应容器的 Logs 标签页，搜索 ERROR 关键字。更多问题可翻 doc/常见问题.md。

进阶玩法：用 API 把数字人接进自己的系统

不想每次点界面、想批量生产，就看服务端暴露的本地端口。启动后它提供三组接口：模特训练、音频合成（18180 端口）、视频合成（8383 端口），都能通过http://127.0.0.1调用。写个脚本按"训练模特 → 合成音频 → 提交合成并轮询进度"的顺序跑，就能批量产出数字人视频，接口参数可直接参考 src/main/service/ 里的实现，它和客户端的调用逻辑一一对应。

💡 另一个组合：低配机器只起 lite 镜像负责视频合成，把吃资源的形象克隆放到另一台机器或 API 服务上做，还能避免单服务卡死拖垮整个部署。

本地数字人的价值，在于你的脸和素材始终不出自己的机器，克隆一次资产、之后按需产出。如果你准备动手，第一步就是先跑一下nvidia-smi，确认显卡驱动正常、硬盘留够 100G，再去拉镜像。

【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