HeyGen 发布 Avatar V 数字人模型

背景

AI 数字人（avatar）模型做的事情，是拿一段真人的录制素材，生成这个人的新视频：说他没有说过的话，出现在他从没拍摄过的场景里。难的地方通常不在某一帧画面。一张在静帧里很可信的脸，一旦视频开始播放就可能慢慢走样——相似度变淡，动作和声音不再对得上，观众说不出是哪一刻出的问题，但会意识到屏幕上已经不是同一个人了。HeyGen 说，Avatar V 要解决的正是这种身份随时间流失的问题^[1]。

发布

2026 年 4 月 8 日，HeyGen 发布 Avatar V，并称其为世界上最逼真的 AI 数字人模型^[1]。

除了模型本身，HeyGen 还说明了它在产品中的位置变化：Avatar V 现在成为 HeyGen 其余部分运行所依赖的基础^[1]。也就是说，它被放在底层，而不是作为与既有工具并列的又一个附加功能。

关键细节

输入一侧被刻意做得很短。一段约 15 秒的录制素材，就足以生成保持用户面部、声音与存在感的棚拍级视频^[1]。

HeyGen 把目标定在跨角度、跨造型、跨运行时长的身份一致性上，而不是某一帧的惊艳效果^[1]。这个措辞有讲究：跨角度和跨造型的一致性，说的是视角或造型变化时相似度还在不在；跨运行时长的一致性，说的是视频一直播下去时相似度还保不保得住。

公司还点名了它要对付的具体失效方式：把问题描述为数字人视频播放到大约 20 秒时出现的那种诡异漂移（uncanny drift）^[1]，也就是输出不再像同一个人的那个时刻。这样定义目标，就把「逼真」变成了可以用连续视频的秒数来衡量的东西，而不只是看一张静帧。

发布公告还给 Avatar V 配了另一个模型：它被设计为与 Seedance 2.0 搭配，用于电影感的画面^[1]。

影响

这次发布有三处值得分开来看。

第一是质量标准被放在哪里。通过谈「大约 20 秒时的漂移」和跨运行时长的一致性，HeyGen 把模型表现描述成「生成出来的人能保持是自己多久」，而不是「某一帧有多好看」^[1]。对于要用数字人念上几分钟内容的人来说，时长恰恰决定输出能不能用的那个属性。

第二是上手成本。约 15 秒的素材，短到用手机几分钟就能录完，而公司称这已足以生成保住面部、声音与存在感的棚拍级视频^[1]。需要的输入越短，拖延着不去做一个数字人的理由就越少。

第三是它在 HeyGen 内部的位置。成为「其余部分运行所依赖的基础」，意味着 Avatar V 的改进不会被限制在单个产品里，而会传导到公司提供的其他东西上^[1]。再把它与 Seedance 2.0 搭配用于电影感画面，等于把这套逻辑延伸到第二个模型：数字人负责提供人物，搭配的模型负责人物所处的画面^[1]。

公告没有回答的是，这个模型在 HeyGen 所述情形之外表现如何。最逼真、棚拍级、15 秒素材、20 秒之后仍保持同一张脸——这些是设定的目标，而不是测量出来的结果^[1]。但它们足够具体，也清楚说明了 Avatar V 想成为什么：HeyGen 其他产品的底层，以及一个能比以往更久地保持不变的人物。