改一句台词只重算 34% 的画面:HeyGen Avatar 6 让数字人连演 28 分钟不循环,但它的冠军来自一场只测 35 秒的擂台
3分钟看懂
HeyGen 在 11 月 17 日发布了 Avatar 6。这是一款「说话人头」视频模型:给一张照片、一段录音,它就让照片里的人按你的稿子开口说话,而且带表情和手势。
听起来和过去两年的数字人产品差不多,但这次改的是三件最烦人的事。
第一,手势不再循环。以前的口播数字人最容易被看穿的地方,不是脸,而是手——同一套挥手、点头、摊手反复播放,几十秒就露馅。Avatar 6 会读你的稿子,把动作绑到具体的词上:说到「你好」比个大拇指,说到「左手边的柜台」就往那边指。
第二,能连着生成半小时。官方演示里有四条 25 到 28 分钟的成片,每条都是从一条完整音轨一次性生成,没有分段拼接、没有循环。时长跟着录音走,不是固定 5 秒、10 秒的片段。
第三,改一句不用重录整条。这是最实用的一条:录完发现说错一个词,以前要整条重生成,人脸、手势、背景全都变一遍;Avatar 6 只重算被改的那一小段,其余画面原样保留。
代价也很明确:它慢,而且它那个「第一名」的含金量得拆开看。
它到底改了什么
手势跟着台词走
Avatar 6 提供 motion prompt:你在稿子里给某句话挂一个动作,模型会把这个动作对到那句话的时间点上,其余时间保持这个人本来的动作习惯。
官方给的例子很具体:一句「你好」配竖大拇指,「左边那个柜台」配食指指向侧面,「很高兴和你聊天」配右手放胸口。也可以只给情绪和表情,不给具体动作。
这里的关键不是「能指定动作」——很多工具都能——而是动作被绑在词上,而不是绑在时间戳上。稿子改一个字,动作会自动跟着那句新的话走。
一条 25 到 28 分钟,不循环
官方技术报告里放了四条完整成片,长度分别是 26、26、25、28 分钟,全部是「一条音轨、一次连续生成、无循环」。
单看数字不算惊人,因为把短片拼起来也能凑出 28 分钟。差别在于:拼接会在接缝处暴露——光线跳一下、姿势回一下、衣服褶皱变一下。连续生成没有接缝,但要求模型在半小时里不漂移,这是另一回事。
同一套框架还支持「两个人一个画面」:写两边的台词,一次生成一段主持人和嘉宾对谈。官方演示是一条两分钟的播客,中间在双人全景和各自近景之间切换。
改一句只重算 34.4% 的帧
HeyGen 做了 20 次「改词 + 加手势」的编辑测试,统计成片里有多少帧真正变了:
- Avatar 6:平均 34.4%
- Seedance 2.5:99.7%
- MiniMax H3-max:100%
- Wan 3.0:100%
- HappyHorse Edit:100%
没被改到的部分,官方用 PSNR 衡量保真度:Avatar 6 是 48.3 dB,第二名 Seedance 2.5 是 29.3 dB。数字越高表示和原片越接近。
翻译成人话:别的模型是「按新稿子重拍一遍」,Avatar 6 是「在原片上动刀」。对已经拍好、只差一个词的口播视频,这个差别就是「重来一小时」和「等几分钟」的差别。
那些漂亮的百分比,要拆开读
官方页面最显眼的三个数字是 84.4%、72.4%、和 Avatar Arena 的第一名。三个都需要加限定条件。
84.4% 不是「84% 的人认为是真人」
准确的说法是:在 270 次「两段视频并排、选哪个是真实拍摄」的回答里,有 42.2% 的人选了 Avatar 6 生成的版本。因为二选一的随机基线是 50%,把 42.2% 除以 50% 得到 84.4%,这就是「不可区分度」这个指标的算法。
这个测试由 20 名外部评审、76 位被拍摄者参与。换句话说,它不是全民盲测,样本量也有限。
单独看一条片子,它还是会被认出来
另一个测试里,只给评审看一条片子、问「这是真人吗」:
- 用本人原声的 Avatar 6:65.1% 被判为真人
- 真正的录像:78.9% 被判为真人
- 用 HeyGen 自带音色的 Avatar 6:56.5% 被判为真人
也就是说,声音换成合成音色后,被识破的概率明显上升。真正决定「像不像」的不只是画面。
对通用视频模型,优势没有那么大
从「本人素材」出发、由外部评审做偏好对比时:
- 对 Seedance 2.5:72.4% 的票偏向 Avatar 6
- 对 Wan 3.0:74.1%
- 对 Kling 4.0:54.9%
- 对 Wan 3.0(从单张照片出发):50.1%,官方自己标注为「平手」
从照片生成的情况下,它和 Wan 3.0 基本打平。这不是贬低,只是说明「专做数字人」的优势主要体现在有真人素材、且要长时间连贯说话的场景。
第一名来自一场短片段擂台
Avatar Arena 是 New Measure 做的公开对比榜,Avatar 6 在两个类别都排第一,Elo 分别是 1197(个人头像)和 1237(预制主播),类别平均分是 1000。计票时间从 10 月 27 日到 11 月 16 日。
但 New Measure 自己写了限制:参赛者是自愿来投票的人,脚本中位数 62 个词,97% 的完成对比里两段视频都在 35 秒以内。这不能证明它在长视频、或者测试不足的语言上同样领先。
它比对手慢
同一份数据里还有一条容易被忽略的:HeyGen 的个人头像视频平均约 3 分钟出一条,Runway 的 GWM-1 Avatars 约 1 分钟;HeyGen 有十分之一的个人头像视频超过 9 分半。这些时间不含建模和语音准备。
所以「最好看」和「最快」在这一轮是两件事。
怎么用,门槛在哪
产品入口:Web、移动端和 API 都已经可用。API 有两个端点——Model API 走 POST /v3/models/avatars,你给参考图或参考视频加一段语音;Application API 走 POST /v3/videos,你给一个已建好的头像加稿子和音色。模型名是 heygen-avatar-6 和 heygen-avatar-6-turbo。
分辨率:默认 1080p,Model API 可选 2k。官方技术报告里说的「原生 2K」是 2880×1620,指每一帧都按这个尺寸生成,不是先出小图再放大。
建人成本:官方通稿说最少 30 秒视频就能建一个头像,也可以继续补素材,或从社交媒体导入。照片参考对所有人开放,但「用真人视频做参考」只有企业版能用。
授权是硬门槛:用真人视频建的头像,渲染前本人必须录一段带一次性口令的同意声明,HeyGen 会核验说话的人和训练素材里的人是不是同一个。这一步不能跳过。
一个容易踩的默认值:Application API 里如果不显式指定引擎,会继续用旧的 Avatar IV,不是 Avatar 6。另外 Application API 的 Avatar 6 只支持单人头像请求,批量生成、影棚场景、场景编辑都不行。
适用场景:谁该看,谁不适合
适合:
- 需要长期、成系列出镜口播的团队,比如课程、产品更新、销售外呼视频。这类内容重复度高、单条不重要、但整体量很大。
- 已经拍好、只需要改几个词或补一个手势的成片。只重算改动片段这一条,直接省掉重录和重新布光。
- 要在一段长演讲里保持同一个人物不漂移的场景。25 分钟以上的连续生成,目前能做的产品不多。
- 需要双人对谈的播客、访谈类内容。两人同框一次生成,省掉后期对位。
不适合、可以先等等:
- 追求极致写实、要经得起逐帧检查的广告片。65.1% 对 78.9% 的差距说明它还是能被看出来。
- 需要多语种、且目标语言没有充分测试的项目。官方评测基本围绕英语。
- 要求分钟级出片的批量流水线。3 分钟一条、十分之一超过 9 分半,排产要按这个算。
- 需要开放权重、自己部署的团队。Avatar 6 是闭源商业模型。
坑在哪:四条注意事项
第一,别把「84.4%」当成通过图灵测试。 它是「并排二选一时,选它当真的比例翻倍」的意思。单独看一条,65.1% 被判真人,说明还有三分之一多的人能识破。
第二,长视频没有被独立验证。 25–28 分钟的成片是官方自己放的,第三方评测的样本 97% 在 35 秒以内。长时段的一致性是官方声明,不是第三方结论。
第三,排行榜的样本偏差。 自愿参与的投票者、62 个词的中位脚本、35 秒以内的片段——这套设置对「短口播」友好,对「半小时演讲」没有信息量。
第四,价格不等于成本。 订阅费是固定的,但 credits 消耗随模型、时长、复杂度变化。官方没有给「每分钟多少 credits」的统一换算表,只有「Free 每月 3 条、单条 1 分钟」和「付费单条上限 30 分钟」这两条硬边界。
第五,2K 和 4K 是两件事。 技术报告说的是原生 2K(2880×1620);4K 导出是 Pro 档的产品功能,靠超分补上去的,不是模型原生输出。
成本与时间
- 免费档:$0,每月 3 条、带水印、单条最长 1 分钟,能用 Avatar 6。
- Creator:$29/月,600 credits,Avatar 6 Turbo,1080p 导出。
- Pro:$49/月,1,000 credits,Avatar 6 Pro,4K 导出,单条最长 30 分钟。
- 更高的 Pro 档按 credits 往上加,官方写的是从 1,000 credits/$49 一直到 100,000 credits/$4,300。
- 时间成本:一条个人头像视频平均约 3 分钟,十分之一超过 9 分半(不含建模与语音准备)。
如果你的用途是「每周十几条口播」,Creator 档够用;如果是「一条 20 分钟课程」,得先确认 credits 能不能撑住,因为官方没有公开每分钟的扣费标准。
行动建议
- 先算清楚你的真实需求是「短」还是「长」。 如果只是 30 秒社交媒体口播,Avatar 6 的长视频能力用不上,很多更便宜的工具够用。
- 拿一条已经拍废的成片去试「改一句」。 这是它最有辨识度的能力,也最容易验证:改一个词,看画面其余部分有没有抖动、光照有没有变。
- 别用排行榜当采购依据。 用你自己的稿子、你自己的脸、你实际的语言去测,因为评测里的样本文本是英语、62 个词、35 秒以内。
- API 接入前先确认引擎字段。 不写引擎会退回 Avatar IV;视频参考要企业版权限,还要过一次性口令的授权核验。
- 把出片时间写进排产表。 3 分钟一条是平均值,长尾会到 9 分半以上,批量任务要留缓冲。
一句话总结:Avatar 6 解决的是「数字人不像人」里最难的那部分——手势和长时段一致性,以及「改一个字要重录整条」的返工成本。它的短板同样清楚:慢,而且领先幅度在短片段之外还没有被独立验证。
(本文基于 HeyGen 官方技术报告、产品页、API 文档与定价页,以及 Unite.AI、PR Newswire 的报道整理;文中百分比与时长均取自上述来源,未做独立实测。)
参考来源
- https://www.heygen.com/research/avatar-6-model
- https://www.heygen.com/models/heygen-avatar-6
- https://developers.heygen.com/docs/models/avatar-6
- https://www.heygen.com/pricing
- https://www.unite.ai/heygen-launches-avatar-6-with-script-aware-gestures-and-2k-video/
- https://finance.yahoo.com/technology/ai/articles/heygen-introduces-avatar-6-audio-170700762.html