11月17日,HeyGen 发布 Avatar 6。它把数字分身的输入压到极低:一张照片,加上一段可选的30秒视频。输出是原生2K、没有固定时长上限的说话视频,官方演示里有25到28分钟的连续片段,一条音轨生成,不做循环。名字里没有的参数更值得注意:推理时的上下文窗口从约3秒扩到30秒,十倍。
这一代是音频驱动的:语音轨决定画面里发生什么,包括唇形、表情与手势。更进一步的是脚本语义的介入:模型读一段脚本,判断哪里适合指向、哪里适合数数、哪里适合做方向性动作;用户也可以把某个动作绑定到某句台词上,比如在打招呼时挥手,在列清单时数手指。
过去数字人最容易露馅的地方就是手势循环:同一套动作每隔几秒重复一次,观众很快就能看出来。把动作的触发点从随机改成语义,是这个问题的正解。代价是动作库要覆盖足够多的语义类型,否则模型只能退回通用手势。
上下文窗口从3秒扩到30秒这件事,比手势更能解释质量提升。过去模型只能看到前后几秒的信息,做长视频时每一小段都是独立判断,动作与语气的连贯性靠运气。窗口拉长到30秒之后,模型能看到一句话的完整起落,手势的收放才有依据。
这也是为什么官方把重点放在长片段而不是高清。分辨率是单帧质量,连贯性是时间上的质量,后者更难做,也更容易被几十秒的演示掩盖。
没有固定时长限制,意味着一条音轨有多长,视频就有多长。官方演示的25到28分钟连续片段,对应的是课程、播客、内部培训这类长内容。这些场景过去用数字人很难做,因为长视频里的重复动作会累积成明显的机械感。
长时长还带来一个运营上的变化:一条视频的制作从分段生成再拼接,变成一次生成。拼接的接缝会消失,但返工的成本会集中:一处口误要重做整条,除非有局部重绘。
长视频对数字人的真正考验是注意力。三分钟之后观众会开始注意背景是否静止、肩膀有没有在呼吸、眨眼频率是否异常。这些细节在短视频里被忽略,在课程与培训里会被反复看到。一条28分钟的片子,只要有三处明显的机械动作,完播率就会掉。
所以这类产品的竞争点不在生成质量的上限,而在长时段内不退化的能力。评测方法也该跟着改:不看三十秒样片,看第二十分钟那一段。目前官方只给了片段截图,没有公开完整素材,第三方也就无从验证。
局部重绘是这一代最实用的能力。改一个词、加一个手势,模型只重绘被改动的那一段,新语音用人声合成。官方做了20次编辑对比,平均改动34.4%的画面帧;同一组对比里,MiniMax H3-max、Wan 3.0、Seedance 2.5 与 HappyHorse Edit 的改动比例在99.7%到100%之间,等于整条重做。
这个差距的意义在于返工的粒度。一条已经录好的讲稿,改一句话的成本从重录整段降到重绘几秒,中间的情绪、语气、背景都不动。对需要反复微调的企业内容,这是从不可用变成可用的那一步。
34.4% 与 99.7% 的对比还有一个隐含条件:改动幅度。只改一个词,重绘范围自然小;改一整句,范围会扩大。官方说的20次编辑没有公布改动幅度的分布,所以这个平均值只适合当方向看,不适合当承诺。
另一个条件是人声合成。局部重绘配的是新生成的语音,这就要求新语音与前后段的音色、语速、情绪连续。语音接不上,画面修得再准,观众还是能听出来。
官方给的不可区分度84.4%有具体口径:在270组并排对比里,外部评分者把 Avatar 6 判为真实录制的比例是42.2%,以50%为随机基准,翻倍得到84.4%。参与测试的是20名外部评分者与76人。另一组单片段测试里,用本人声音的 Avatar 6 片段被判为真实的比例是65.1%,真人录像是78.9%。
把口径摊开之后,结论更准确:它比上一代像得多,但离看不出还有一段距离。第三方榜单 New Measure 的 Avatar Arena 把它排在首位,个人分身 Elo 1197、库存主播 1237,但测试用的是短片段;同一批对比里,HeyGen 的生成速度慢于 Runway。
42.2% 这个数字还要和另一组放在一起读。真人录像被判为真实的比例是78.9%,也就是说评分者本身对真实素材的识别率就不是百分之百。把两组相减,差距是36.7个百分点,这个差值比84.4%更能说明现在的水平。
HeyGen 把同意做成了产品结构:第三方平台可以生成基于照片的分身与虚拟分身,但真实人物的写实视频只能在自己的平台内生成,且需要明确同意。这个划分很聪明,它把最容易出事的场景留在自己手里,把风险较低的场景放给生态。
体量也解释了它为什么要这么谨慎。公司称用户超4000万、覆盖196个国家、累计生成1.18亿条视频、85%的财富一百强在用,6月年化收入超过2亿美元,八个月翻倍。模型权重不公开,是闭源产品。这三件事放在一起,意味着它的每一次能力升级都会同时放大滥用风险。
对采购方,需要问的问题已经变了。不是像不像,而是改一处要动多少、一条能有多长、哪些内容必须留在平台内。
还有一件事没有答案:数字分身的所有权。用户上传的照片与视频,用来训练之后归谁保管、能不能删除、删除之后模型是否真的遗忘,这些在条款里通常写得很模糊。企业采购时要问的,恰恰是这些写不进演示文稿的条款。