最近刷论坛和B站，看到不少人在聊一个叫HeyGem的数字人工具，后来改名叫Duix-Avatar了。有人说这是硅基智能开源的项目，也有人说效果跟收费的HeyGen差不多，但是免费还能本地跑。看的人多了就找了几个版本装了下，把自己碰到的问题和别人评论区聊到的点整理了一下，写出来给同样想试试的人做个参考。
HeyGem2.0是什么
HeyGem原本是硅基智能放出来的一个开源数字人项目，GitHub仓库地址是duixcom/Duix-Avatar，README里写着这是一个真正开源的AI数字人工具包，可以离线做视频生成和数字人克隆<cite index="9-1">。项目介绍里提到只要提交一段大概10秒的视频，就能完成数字人形象和声音的克隆，之后输入文字或者上传音频，就能驱动这个数字人开口播报，自动生成一个口播视频</cite>。
简单说就是拍段自己说话的小视频，软件学会你的样子和声音，之后打字或者念一段稿子，数字人就能替你把这段话讲出来，口型对得上。
网上流传的2.0一键整合包，最大的变化是把原来复杂的Docker部署省掉了，解压直接运行，有网友在视频简介里写“无需wsl，无需docker，解压即用”，还提到支持批量生成，8G显存可用，后来又出了6G显存也能跑的版本。这个对普通用户来说是真省事，之前很多人卡在装Docker、配WSL2这一步就放弃了。知乎上有帖子提到过，正常走开源仓库那套流程，要在deploy文件夹里用命令行加载docker配置文件，让docker去抓取对应的容器完成安装，这个过程经常因为国内网络问题断线，体验很不好<cite index="5-1">。整合包基本是把这些麻烦事提前打包好了，省掉了这一层折腾。
优点归纳一下大概是这几条：
- 免费开源，不用充值买积分
- 本地跑，视频素材不用传到别人服务器上
- 一段视频就能克隆形象和声音，门槛不高
- 支持批量生成和长视频，适合做内容的人反复用
- 整合包省了环境配置这一步，小白也能开起来
## HeyGem2.0需要的硬件条件
这个是很多人最关心的问题，毕竟数字人这类模型对显卡要求一般都不低。
早期版本官方给出的最低要求是NVIDIA 1080Ti显卡就能跑<cite index="2-1">。后来的整合包版本经过优化，显存门槛降到了8G，B站上多个整合包视频标题里都写着“8G可用”。再往后又有人发了6G显存版本的整合包，说是号称能在6GB显卡上流畅运行，实测两周下来确实能解决中小团队显卡不够用的问题。
大致列一下：
- 显卡：N卡（英伟达显卡），需要装好对应的CUDA驱动
- 显存：整合包版本6G起步能跑，8G以上更稳一些，批量或长视频建议显存留够余量
- 系统：Windows为主，官方GitHub也在做Linux适配，目前测过Ubuntu 22.04
- 硬盘：模型文件加素材，建议预留20G以上空间
- 内存：16G起步，太小容易在处理长视频时卡顿
没有N卡的话基本用不了，AMD显卡目前看到的教程里都没人提过能跑，这块最好提前确认一下自己电脑的显卡型号和驱动版本，装之前去英伟达官网查一下驱动能不能装。
## 跟同类工具的对比
数字人这个方向现在做的人不少，挑几个经常被拿出来对比的放一起看看：
| 工具 | 是否开源免费 | 部署方式 | 显存要求 | 特点 |
|---|---|---|---|---|
| HeyGem/Duix-Avatar | 是，开源免费 | 本地部署，整合包免Docker | 6G起 | 一段视频克隆形象声音，支持批量和长视频 |
| HeyGen | 否，付费订阅 | 云端网页版 | 不涉及本地显卡 | 效果稳定，但按积分/订阅收费，素材要上传云端 |
| D-ID | 否，付费为主 | 云端网页版 | 不涉及本地显卡 | 商用场景多，价格偏高 |
| SadTalker | 是，开源免费 | 本地部署，需要一定环境配置 | 视配置而定 | 偏学术向，口型细节不如专门做数字人的项目 |
| EchoMimicV2 | 是，开源免费 | 本地部署 | 视配置而定 | 动作驱动效果不错，配置门槛比整合包高一些 |
有个知乎帖子的说法挺直接的，说抖音上很多套壳app做口播视频生成，后台用的其实就是这个开源的Heygem，跟收费的HeyGen效果没什么区别，区别只是一个免费本地跑一个要花钱买积分<cite index="5-1">。这话可能有点绝对，但大概能说明这个开源项目在效果上确实不算弱。
云端工具的好处是不用管硬件，打开网页就能用，但长期用下来积分消耗是笔持续开销，而且素材要传到对方服务器，介意隐私的人会有顾虑。本地部署的好处正好相反，一次装好之后随便用，素材也不出自己电脑，缺点就是要有一张过得去的显卡，装的过程稍微麻烦点。
## 详细安装教程
按整合包的方式走，步骤不算多，跟着做基本能装起来。
**第一步，确认显卡驱动。**
打开英伟达官网的驱动查询页面（nvidia.cn/drivers/lookup），根据自己显卡型号下载安装最新驱动，装完可以打开命令行输入`nvidia-smi`看看能不能正常显示显卡信息和CUDA版本。
**第二步，下载整合包。**
https://pan.quark.cn/s/8d94d10ae19a
**第三步，解压运行。**
整合包不需要装Docker也不需要装WSL，下载完解压到一个纯英文路径的文件夹里，路径不要有中文或者空格，避免程序读取路径出错。解压完找到exe文件双击打开就行。
**第四步，等待模型加载。**
第一次打开会有个初始化过程，模型文件比较大，加载时间跟硬盘速度和电脑配置有关系，耐心等一下，不要在这个时候强制关闭程序。
**第五步，准备克隆素材。**
录一段10秒左右的视频，正对镜头，说话清晰，背景干净一些，光线均匀，尽量不要有杂音。视频质量直接影响后面克隆出来的形象和声音效果。
**第六步，上传素材做克隆。**
在客户端里找到形象克隆的入口，上传刚录好的视频，等系统跑完克隆流程，生成对应的数字人模型。
**第七步，输入文案生成视频。**
克隆完成后，在文案框里打字或者上传一段音频，选好刚才生成的数字人形象，点生成，等进度条走完就能拿到一段口播视频。
装的过程中最容易出问题的地方是显卡驱动版本不匹配，还有路径带中文导致程序读取失败，这两个提前检查好基本能顺利跑起来。
## 一些实际用下来的感受
论坛上有条评论说得比较实在，说传统数字人开发流程通常要分别部署语音识别、NLP、语音合成、表情驱动好几个模块，普通人根本搞不定，整合包相当于把这些东西打包压缩成了一个能直接跑的程序<cite index="6-1">。这个说法基本符合体验，装之前以为要折腾很久，实际解压双击就能用，比想象中简单。
也有人吐槽过，说是“开源”但没那么简单，模型权重和推理代码开放了，可核心的一些优化细节没完全公开，这个客观说确实存在，不过对只是想生成口播视频的普通用户来说，这个不太影响使用。
批量生成这块是不少自媒体从业者比较看重的功能，一次传多段文案，挂机跑完就能拿到一批视频，省了不少重复操作的时间。长视频支持也解决了之前很多同类工具只能生成几十秒短片的限制。
对做内容需要经常出镜又不想天天开摄像机的人，这类工具确实能省不少事，前提是电脑得有张过得去的N卡，显卡型号和驱动版本提前查清楚，装的时候少走弯路。
下载地址:
- 夸克网盘
