企业官网建设流程全解析

【2026实测】AI数字人本地部署零基础上手：10秒克隆你的形象和声音，完整跑通指南

【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

还在把口播视频外包给别人做吗？一条上千块，脸还是别人的。Duix.Avatar 是一个开源的 AI 数字人 工具，用你自己 10 秒的视频就能克隆形象和声音，全程 本地部署 ，不联网，输一段文字就能产出会说话的视频。

跑起来：30分钟用 Docker 拉起数字人服务

推荐配置，一张表说清

50 系新显卡有专门配置，进阶一节里有说法。

六步启动

1. 动作：确认系统装过 WSL，并更新到最新版。 命令：wsl --update预期：终端无报错。没装过 WSL 的，先按项目 README 里的说明安装。
2. 动作：确认显卡和驱动就位。 命令：nvidia-smi预期：屏幕显示显卡型号和驱动版本。 ⚠️ AMD 显卡直接出局，全部算力都跑在英伟达卡上，没装驱动一个服务都起不来。
3. 动作：拿到项目代码。 命令：git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar预期：当前目录出现 Duix-Avatar 文件夹。
4. 动作：进入 deploy 目录，启动服务集群。 命令：docker-compose up -d预期：开始拉 3 个镜像，总流量约 70GB，建议连 WiFi，大概半小时。Ubuntu 用户改用 deploy 目录里的 docker-compose-linux.yml 启动。
5. 动作：确认容器活过来了。 命令：docker ps预期：3 个服务 Running：duix-avatar-tts、duix-avatar-asr、duix-avatar-gen-video，端口 18180、10095、8383 全部映射成功。
6. 动作：装客户端。 操作：下载官方发布的安装包，双击安装程序。 预期：能打开，首页出现"创建视频"和"创建形象"两个入口。

✅ 验证清单，开始创作前自查 4 项：

• 3 个容器都是 Running，没有 Restarting
• 浏览器访问 127.0.0.1:18180 有正常响应
• 8383 端口能通
• 客户端能进首页，不报连接错误

它怎么干活：10秒视频是怎么变成口播视频的

合成之前，系统先干一件铺垫的事：把你视频里说的话转写成文字。这一步是 ASR（自动语音识别，机器听你说话并转成文字）。不先搞清楚"这段音频里说了什么词"，机器就没法学你的声音。

剩下两个核心环节：

1. 声音克隆：从 10 秒音频里提取音色特征，给你建一份声纹。之后输入文字，TTS（文本转语音，用你克隆的声音把文字念出来）直接产出你的配音。 类比：像把旧收音机的声卡拆出来装进新收音机，你喂什么词，它都用你的嗓子唱。 关键数字：喂进去的样本只要 10 秒左右。
2. 口型视频合成：画面背景、身体动作都保持原样，只有脸被重新驱动。 类比：像给一张定格照片做"对口型换脸"，人不动，脸在动，嘴型跟着音频走。 关键数字：合成容器的共享内存配了 8G，显存小的卡最容易在这步被挤爆。

玩出花：接上 API 批量生成数字人视频

首页界面够个人用了，想批量生产就直接调接口。Docker 起来后服务暴露在本地 127.0.0.1，18180 管音频，8383 管视频。

1. 场景：同一个数字人给 20 个人发周报，开场白各不一样。 参数：调 8383 的 /easy/submit，传 audio_url（音频路径）、video_url（静音视频）、code（唯一 key），外加三个固定值 chaofen=0、watermark_switch=0、pn=1；再用 /easy/query 带 code 轮询进度。 效果：绕开客户端，写个循环提交，批量出片不盯屏。
2. 场景：同一段文字，想让配音更稳一点或语调更活一点。 参数：调 18180 的 /v1/invoke，temperature 和 topP 默认 0.7，max_new_tokens 1024，reference_audio 和 reference_text 填训练那一步的返回值。 效果：0.7 是稳态，调低更平稳，调高语调变化更多。
3. 场景：内存吃紧，或者用的是 50 系新卡。 参数：deploy 目录改跑 docker-compose-lite.yml，只起 1 个 gen-video 容器；5090 用户换 docker-compose-5090.yml。 效果：lite 版不起 ASR 和 TTS，镜像更小，但没法克隆声音；5090 配置用的是 torch 官方预览版。

具体调用逻辑看仓库里的 src/main/service/voice.js 和 src/main/service/video.js，抄就行。

踩坑实录：我第一周栽过的 4 个真问题

拉镜像一直失败，满屏 request canceled 和 context canceled。 根因：Docker Hub 官方源在国内网络下不稳定。 修复：Docker 设置的 Docker Engine 里加一段镜像源配置（doc/常见问题.md 里有现成的 registry-mirrors），点 Apply & restart，再重新拉。

C 盘两天就被塞满。 根因：3 个镜像共 70GB，默认全躺在 C 盘。 修复：Docker 设置 → Resources → Advanced → Disk image location，换个空间足的盘，Apply & restart。

客户端新增模特报错，日志里是 file not exists。 根因：上传的模特视频必须带人说话的声音，程序要把音频拆出来做声音克隆，音频会写进容器约定的 d:/duix_avatar_data/voice/data 目录。没声音、或者这个目录压根不存在，都会翻车。 修复：重拍一段你说话清晰的片段，确认 D 盘的挂载目录存在。

服务刚起来就点克隆形象，报 Connection refused。 根因：ASR 服务启动偏慢，你连得太早，自然被拒。 修复：启动后等几分钟再操作，用 docker ps 确认 3 个服务都 Running。内存只有 16G 的话 ASR 可能根本起不来，加到 32G。

收尾

三个服务跑起来，形象克隆好，你手里就有了一个用自己脸和嗓子念稿的视频。接下来可以试试调 /v1/invoke 的 temperature，看看声音会不会更有起伏。再卡住的话，先翻 doc 目录下的常见问题，八成有人替你踩过。

【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