企业官网建设流程全解析

开源AI数字人Duix.Avatar：从10秒克隆到出片的完整教程

【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

想给新品录一条30秒口播视频，却要排队约主播、订棚？Duix.Avatar是一款全离线运行的开源数字人工具：上传一段10秒正面视频，它克隆你的形象和声音，之后输入文案或喂一段音频，就能产出口型自然的数字人视频。所有计算跑在你的本地显卡上，素材和成片不出内网。

Duix.Avatar能做什么：30秒看懂核心能力

先看硬指标：

几个值得记住的点：

• 形象和声音一次克隆：10秒素材同时用于训练人脸模型和提取声纹。
• 两种驱动方式：直接输文案，系统用克隆音色朗读；或上传现成音频驱动口型。
• 后端是三个独立容器：ASR语音识别、TTS语音合成、视频合成，各司其职。
• 商用条款：全球免费商用，用户量超10万或年营收超1000万美元的企业需另签许可。

主界面：上方是"Create Video"和"Create Avatar"两个主入口，下方为作品与模特列表。

30分钟部署：Docker拉起数字人服务

本节是完整的Docker部署数字人服务步骤，核心动作就三个：查硬件、起服务、装客户端。

第1步：环境体检。NVIDIA显卡和驱动是硬性前提，本项目算力全部走CUDA，核显和AMD显卡都不行。

• 驱动检查：执行nvidia-smi，能看到显卡信息才算通过
• Windows要求Win10 19042以上，D盘留30G以上（存模型和作品），系统盘留100G以上（存镜像）
• 没拉过代码就执行：git clone https://gitcode.com/GitHub_Trending/he/Duix-Avatar

• ❌ 别跳过nvidia-smi，驱动没装好，三个服务一个都起不来
• ✅ Windows上C盘不够时，把镜像存放位置改到100G以上空间的磁盘

第2步：启动服务。代码的 deploy 目录里放了现成的 docker-compose 文件，一条命令搞定：

cd deploy docker-compose up -d

首次拉镜像约70G流量、半小时左右，建议连WiFi。拉取超时就在Docker Engine的 registry-mirrors 里配置国内镜像源，然后点 Apply & restart。

• ❌ 首次启动不要中断，服务初始化要等几分钟
• ✅ 50系显卡改用docker-compose -f docker-compose-5090.yml up -d；配置低可换lite版，只起一个合成容器

第3步：连通验证并装客户端。

docker ps

看到Duix.Avatar-asr、Duix.Avatar-tts、Duix.Avatar-gen-video三个容器都是Running，服务端就绪。再从发布页下载客户端安装包Duix.Avatar-x.x.x-setup.exe，双击安装，客户端启动后调用本地服务。

• ✅ 连不上先查三个容器是否都Running
• ❌ 别改动compose文件里的端口映射，客户端依赖默认的18180/8383端口

能力拆解：数字人视频生成的技术链路

整条链路可以概括为：拆素材、克隆音色、驱动口型，三个服务各管一段。

环节一：素材输入——把10秒视频拆成两半

上传素材后，系统用ffmpeg把视频拆成"画面"和"音频"两份。音频落到本地约定目录（如D:\duix_avatar_data\voice\data）。为什么要拆？人脸建模只需要画面信息，声音克隆需要原始人声，拆开之后两条流水线互不阻塞。⚠️ 素材必须有人在说话，否则音色克隆直接失败——这也是"新增模特报错"的第一大原因。

环节二：音色克隆——用你的声音读新文案

训练时客户端调用18180/v1/preprocess_and_tran接口，ASR服务（基于fun-asr）把你的参考音频转写成文本，返回参考文本和音频路径。之后你输入新文案，客户端再调用18180/v1/invoke，把参考音频和参考文本一起交给TTS服务（基于fish-speech），它按你的音色和语调生成新音频。每个数字人对应一个唯一UUID，训练完可反复复用。参考音频不足20秒时不做分割、直接处理，短句场景出音更快。

环节三：口型同步与出片

最后一步，把"克隆音频＋原视频"交给8383/easy/submit接口，face2face模型驱动画面中的人按音频节奏动嘴，用8383/easy/query?code=任务号轮询进度。这条路线成立的关键在于：数字人口型同步靠"音频驱动画面帧生成"，而不是先建3D脸再渲染——所以10秒素材就够撑起一个能用的数字人。成片是可直放的视频文件，在客户端"我的作品"里查看。

完整实操：训练数字人并生成第一条视频

现在按"上传10秒素材→训练→输文案→导出"走一遍。

1. 备素材：10~30秒正面视频，单人、声音清晰、无遮挡，视频必须带声，画面清晰为佳。
2. 训练模型：客户端点"Create Avatar"上传视频，等服务就绪后再操作（ASR启动较慢），训练完成后模特出现在"My Avatars"。
3. 生成视频：点"Create Video"，选中模特，输入文案或上传音频，开始合成。

全程也可以走接口，语音合成调用长这样（ref_audio、ref_text为训练步骤的返回值）：

import requests r = requests.post("http://127.0.0.1:18180/v1/invoke", json={"speaker": "uuid-001", "text": "你好，这是我的第一条数字人视频", "format": "wav", "topP": 0.7, "reference_audio": ref_audio, "reference_text": ref_text})

视频合成再把生成的音频和素材视频提交给8383服务：

{"audio_url": "voice.wav", "video_url": "avatar.mp4", "code": "task-001", "chaofen": 0, "watermark_switch": 0, "pn": 1}

⚠️ 完成后视频存入客户端"我的作品"，Windows下数据在D:\duix_avatar_data目录。某一步失败时，点右上角"Open Log"导出客户端日志，定位会快很多。

场景落地速查

三个常见场景，各一句话：

教育场景重批量：课程文案写好，循环调合成接口批量出片。企业培训重一致：脚本和音色统一，避免不同讲师素材带来的风格漂移。自媒体重速度：音频驱动模式直接吃旧配音，只换形象不换声音。

想深入？这些路径值得收藏

• 接口实现：训练、视频合成、声音三组调用的完整逻辑在 src/main/service/，对照着看就知道客户端到底调了哪些接口。
• 前端入口：页面逻辑都在 src/renderer/src/views/，模特创建、视频生成的组件和界面对应。
• 部署配置：deploy/ 下有Windows、Linux、50系显卡、lite四套compose文件，按需取用。
• 排障指南：卡住了先读 doc/常见问题.md，多数问题收敛为"服务没Running"和"驱动没装好"两类。

服务行为异常时，直接看容器日志，TTS服务的关键报错都在日志区里：

性能调优两个方向：配置低的机器切lite版，只起合成容器；合成量大时盯显存，紧张就先把素材视频分辨率降下来。

Duix.Avatar把"做一个数字人"压缩成上传10秒素材和点一次按钮。整条链路开源，意味着声音参数、口型管线、输出格式都能被你自己延伸。数字人视频生成的门槛，已经低到一次外包拍摄的预算以下。

【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