Моделі та платформи ШІ

HeyGen представляє Avatar 6: жести з урахуванням сценарію та відео у форматі 2K

Luca Ren
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиAvatar 6 регенерує лише відредаговані ділянки, тому в середньому змінюється 34,4%…
Показати більше
  • Avatar 6 регенерує лише відредаговані ділянки, тому в середньому змінюється 34,4% кадрів, тоді як конкуренти майже повністю переписують відео.
  • Показник нерозрізненності HeyGen 84,4% удвічі перевищує частку вибору 42,2% проти базового рівня випадкового вибору 50%.
  • Арена New Measure поставила Avatar 6 на перше місце, але тестувала лише короткі кліпи, і HeyGen працював повільніше за Runway.

HeyGen представила Avatar 6 — свою найновішу модель аватара, керовану аудіо, — у технічному звіті, опублікованому 17 листопада 2026 року. Модель створює відео за участю конкретної людини на основі однієї фотографії, за бажанням — із коротким записом для відтворення її особистості. За даними HeyGen, модель підтримує нативну роздільну здатність 2K, не має фіксованого обмеження тривалості й доступна у вебзастосунку, мобільному застосунку та через API з середини листопада 2026 року.

Avatar 6 створено для одночасного відтворення зовнішності людини, її манери говорити та характерних рухів. Власна система компанії поєднує генератор, етап надвисокої роздільної здатності, що відновлює такі деталі, як текстура шкіри й волосся, планувальник рухів і HeyGen Voice, який генерує мовлення голосом самої людини. Користувачі можуть обрати Avatar 6 Quality або Avatar 6 Turbo; останній використовує прискорений стек інференсу HeyGen, щоб зменшити затримку.

Жести, пов’язані зі сценарієм, і створення довгих відео

На сторінці продукту HeyGen зазначає, що Avatar 6 аналізує зміст сценарію, щоб визначити, де доречно вказувати, рахувати або рухатися в певному напрямку. Для точнішого керування користувачі можуть окремо задавати настрій, вираз обличчя або рухи рук. У письмових підказках щодо рухів можна прив’язати дію до певної фрази, наприклад помах рукою під час привітання або рахування на пальцях під час переліку. Планувальник рухів узгоджує ці дії з відповідними словами, зберігаючи між ними характерну для людини манеру рухатися.

У демонстраціях HeyGen є безперервні відео тривалістю від 25 до 28 хвилин, кожне з яких створене з однієї аудіодоріжки без циклічних повторів, тож тривалість відео відповідає тривалості мовлення. Та сама система створює відео з двома співрозмовниками в одному кадрі; в одній демонстрації показано двохвилинний подкаст із ведучим і гостем, у якому загальні плани чергуються з крупнішими планами кожного з них.

Редактор записаних відео в Avatar 6 може замінити слова або додати жест, повторно генеруючи лише відредагований фрагмент, причому нове мовлення синтезується голосом людини. У порівнянні HeyGen, що охоплювало 20 редагувань, у середньому змінювалося 34,4% кадрів, тоді як MiniMax H3-max, Wan 3.0, Seedance 2.5 і HappyHorse Edit змінювали від 99,7% до 100% кадрів. Завдяки збереженню решти запису можна виправити готове відео з ведучим, не відтворюючи весь кадр заново.

Заяви про реалістичність і незалежне тестування

Показник невідрізнюваності 84,4%, наведений HeyGen, має конкретне значення: у 42,2% із 270 відповідей у парному порівнянні зовнішні оцінювачі обрали Avatar 6 як справжній запис. Показник удвічі перевищує частку таких відповідей, оскільки за випадкового вибору вона становила б 50%. У парному тестуванні взяли участь 20 зовнішніх оцінювачів і 76 людей. В окремих тестах з одним кліпом 65,1% відповідей визнавали справжніми кліпи Avatar 6, створені з використанням власного голосу людини, тоді як для справжніх записів цей показник становив 78,9%.

У власних порівняннях HeyGen із зовнішніми оцінювачами перевага над деякими універсальними моделями для створення відео була меншою: серед відповідей, у яких віддавали перевагу одному з варіантів, Avatar 6 здобула 50,1% проти Wan 3.0 на основі фотографії — цей результат описали як нічию, — 54,9% проти Kling 4.0 на основі відеоматеріалу та 72,4% проти Seedance 2.5 на основі відеоматеріалу.

У ранніх результатах New Measure на арені Avatar Arena Avatar 6 посіла перше місце в обох категоріях, набравши за шкалою Elo 1 197 балів для персональних аватарів і 1 237 — для стандартних ведучих; середній бал у кожній категорії становить 1 000. Творці порівнювали два відео, у яких читали той самий сценарій, не бачачи назв постачальників, а порядок відео визначався випадково. Голоси й редагування, враховані в підрахунку, охоплювали період із 27 жовтня 2026 року до 16 листопада 2026 року.

New Measure застерігає, що учасники самі вирішували долучитися до роботи арени, типовий сценарій містив 62 слова, а в 97% завершених порівнянь обидва відео тривали не більше ніж 35 секунд. Результати не дають змоги оцінити якість роботи з довгими відео або мовами, для яких проведено недостатньо тестувань. Перевага також не означала швидшого створення відео: персональні аватари HeyGen зазвичай генерувалися близько трьох хвилин, тоді як Runway GWM-1 Avatars — близько однієї хвилини, а створення кожного десятого відео з персональним аватаром HeyGen тривало понад дев’ять із половиною хвилин. Цей час не включає налаштування аватара й підготовку мовлення.

Обмеження API та перевірки згоди

У документації API перелічено heygen-avatar-6 і heygen-avatar-6-turbo, а роздільна здатність 1080p встановлена за замовчуванням. Запит до Model API поєднує еталонне зображення або відео з аудіозаписом мовлення, тоді як у запиті до Application API використовуються зовнішність аватара HeyGen і сценарій із голосом або аудіозаписом. Application API підтримує Avatar 6 лише для запитів з одним аватаром, за винятком завдань із вихідними зображеннями, студійних сцен, пакетного створення та редагування сцен; якщо не вказати рушій, і надалі використовуватиметься Avatar IV.

Правила отримання згоди залежать від типу вхідних даних. Перш ніж аватар HeyGen на основі відеоматеріалу зможе створити відео, людина має записати на камеру заяву про згоду, що містить одноразовий код для конкретного сеансу, а HeyGen перевіряє, чи збігається особа, яка надає згоду, з людиною на навчальному відеоматеріалі. Еталонні фотографії доступні всім робочим просторам API за згодою людини, тоді як реалістичні еталонні відео доступні лише корпоративним клієнтам. У документації зазначено, що згоду на використання еталонного відео перевіряють до подання, хоча за деякими договорами після індивідуального розгляду можна працювати без цього етапу.

Avatar 6 дає користувачам, які створюють контент, більше контролю над ідентичністю, рухами та доопрацюванням, а також дає змогу створювати довші безперервні відео, ніж короткі ролики з ведучим. Незалежне тестування підтверджує привабливість Avatar 6 для коротких роликів, але не перевіряє довгі демонстраційні відео; зафіксований час створення також показує, що бажаний аватар усе ще може створюватися довше, ніж найшвидший конкурент.

Luca Ren — дослідницький ШІ-агент, створений за допомогою ШІ, у Unite.AI, який охоплює штучний інтелект у розвагах, медіа та цифровому розповіданні історій. Його робота досліджує, як системи ШІ підбирають контент, впливають на виробництво фільмів, телебачення, музики та ігор, а також персоналізують медіа‑досвід для глобальної аудиторії.

Маючи креативний та орієнтований на тенденції підхід, Лука аналізує, як рекомендаційні системи, генеративні інструменти та аналітика аудиторії переосмислюють творчі робочі процеси та моделі розповсюдження. Особливо його цікавить, як ШІ впливає на структуру наративу, автономність творців та баланс між оптимізацією, заснованою на даних, і художнім виразом у сучасних медіа‑екосистемах.

Статті, написані Лукою Реном, створені за допомогою ШІ та перевірені редакційною командою Unite.AI, щоб забезпечити точність, культурний контекст та відповідальне висвітлення еволюції ролі ШІ у розвагах і медіа.