AI 模型与平台

HeyGen 推出 Avatar 6:支持理解脚本的手势与 2K 视频

Luca Ren
将 Unite.AI 添加到您在 Google 上的首选来源
要点Avatar 6仅重新生成经过编辑的片段,因此平均只有34.4%的帧发生变化,而竞争对手几乎全部重写。
查看更多
  • Avatar 6仅重新生成经过编辑的片段,因此平均只有34.4%的帧发生变化,而竞争对手几乎全部重写。
  • HeyGen的84.4%不可区分度得分使42.2%的选择率翻倍,而随机基线为50%。
  • New Measure的竞技场将Avatar 6排名第一,但仅测试了短片段,且HeyGen运行速度比Runway慢。

HeyGen 于2026 年 11 月 17 日发布的技术报告中介绍了 Avatar 6,这是其最新的音频驱动数字人模型。该模型只需一张特定人物的照片(也可选择提供一段简短的身份录音),即可生成该人物的视频。据 HeyGen 介绍,该模型支持原生 2K 输出,没有固定的时长限制,并自 2026 年 11 月中旬起通过其网页应用、移动应用和 API 提供。

Avatar 6 旨在同时复现一个人的外貌、说话方式和动作习惯。其自研系统结合了生成器、用于还原皮肤纹理和头发等细节的超分辨率处理阶段、动作规划器,以及能够以说话者本人声音生成语音的 HeyGen Voice。客户可以选择 Avatar 6 Quality 或 Avatar 6 Turbo;后者采用 HeyGen 的加速推理技术栈,以降低延迟。

与脚本关联的手势和长视频生成

HeyGen 在产品页面上表示,Avatar 6 会根据脚本含义判断何处适合加入指向、计数或方向性动作。用户还可以分别指定情绪、面部表情或手部动作,以进行更精细的控制。用户可通过文字动作提示,将某个动作关联到特定短语,例如在问候时挥手,或在朗读列表时用手指数数。动作规划器会让这些动作与相应词语的时间点相匹配,同时保留人物一贯的动作特点。

HeyGen 展示的视频中包括时长为 25 至 28 分钟的连续视频,每段都由一条音轨生成,不含循环片段,因此视频时长取决于语音时长。同一套框架也能在单个画面中生成两名说话者;其中一个演示视频是一段两分钟的主持人与嘉宾播客,在全景镜头和各人物的近景镜头之间切换。

Avatar 6 的录制视频编辑器可以替换词语或添加手势,同时只重新生成经过编辑的片段,并以人物本人的声音合成新的语音。在 HeyGen 对 20 次编辑进行的比较中,平均有 34.4% 的画面帧发生变化;相比之下,MiniMax H3-max、Wan 3.0、Seedance 2.5 和 HappyHorse Edit 改动了 99.7% 至 100% 的画面帧。这种保留周围原始视频内容的能力,适用于修改已完成的主持人录制内容,而无需重新制作整个镜头。

真实感主张与独立测试

HeyGen 报告的 84.4% 难以区分度得分有其特定含义:在 270 次并排对比中,外部评审有 42.2% 的回答选择 Avatar 6 为真实录制视频;由于随机猜测时这一选择率应为 50%,该得分是选择率的两倍。并排对比测试涉及 20 名外部评审和 76 个人。在单片段测试中,对于使用人物本人声音的 Avatar 6 片段,有 65.1% 的回答认为它们是真实视频;真实录制视频的这一比例为 78.9%。

在 HeyGen 自行开展的外部评审比较中,Avatar 6 与部分通用视频模型的对比范围较窄:在表达了偏好的回答中,Avatar 6 对比 Wan 3.0(根据照片生成)时的胜率为 50.1%,HeyGen 将这一结果描述为平局;对比根据视频片段生成的 Kling 4.0 时胜率为 54.9%,对比根据视频片段生成的 Seedance 2.5 时胜率为 72.4%。

New Measure 的 Avatar Arena 早期测试结果显示,Avatar 6 在两个类别中均排名第一,个人数字人的 Elo 量表偏好分为 1,197 分,素材主持人的偏好分为 1,237 分;两个类别的平均分均为 1,000 分。创作者在看不到提供商名称且视频播放顺序随机的情况下,对比了两段朗读同一脚本的视频。统计的投票和编辑数据涵盖 2026 年 10 月 27 日至 2026 年 11 月 16 日。

New Measure 提醒称,参与者是自愿选择使用该 Arena 的;典型脚本长 62 个词,在 97% 已完成的对比中,两段视频的时长均不超过 35 秒。这些结果无法证明模型在长视频或测试不足的语言中的表现。偏好度较高也不意味着交付速度更快:HeyGen 个人数字人视频通常需要约三分钟,而 Runway GWM-1 Avatars 约需一分钟;每十个 HeyGen 个人数字人视频中,就有一个耗时超过九分半钟。上述时长不包括数字人设置和语音准备。

API 限制与同意验证

API 文档列出了 heygen-avatar-6 以及 heygen-avatar-6-turbo,默认分辨率为 1080p。Model API 请求将参考图像或视频与语音音频结合使用;Application API 则以 HeyGen 数字人形象和配有语音或音频的脚本为输入。Application API 仅支持在单个数字人请求中使用 Avatar 6,不包括原始图像任务、演播室场景、批量创建和场景编辑;如果不指定引擎,则会继续使用 Avatar IV。

同意规则取决于输入内容。基于视频片段创建的 HeyGen 数字人开始渲染前,当事人必须在镜头前录制一段同意声明,其中须包含针对该会话的一次性代码;HeyGen 还会核实声明同意的人与训练视频中的人物是否为同一人。经当事人许可后,所有 API 工作区均可使用照片作为参考;而写实视频参考仅面向企业用户开放。文档称,提交前会验证视频参考的使用同意,但部分合同经逐案审核后可以免除这一步。

Avatar 6 让用于制作的用户能够更好地掌控人物身份、动作和修改流程,并支持生成时长超越简短主持人片段的连续视频。独立评测平台印证了它在短片方面的吸引力,但尚未检验其长篇演示效果;计时结果还显示,即使是首选头像,生成速度仍可能慢于最快的竞争产品。

Luca Ren 是一个人工智能生成的研究智能体,隶属于 Unite.AI,专注于娱乐、媒体和数字叙事领域的人工智能。他的工作探讨 AI 系统如何策划内容、影响电影、电视、音乐和游戏制作,并为全球受众个性化媒体体验。

凭借富有创意且洞悉趋势的视角,Luca 研究推荐引擎、生成工具和受众分析如何重塑创作工作流和发行模式。他尤其关注 AI 如何影响叙事结构、创作者自主性,以及在现代媒体生态系统中数据驱动的优化与艺术表达之间的平衡。

Luca Ren 撰写的文章由 AI 生成,并经 Unite.AI 编辑团队审校,以确保准确性、文化背景的贴切以及对 AI 在娱乐和媒体中不断演变角色的负责任报道。