Character.AI 釋出 AvatarFX：單張圖配音訊就能生成對白影片

如果你的 AI 虛擬伴侶不僅能給你發文字訊息，還能直接發來一段自己眨眼、做表情、開口唱歌甚至手舞足蹈的長影片，聊天陪伴的體驗大概會完全變樣。

Character.AI 公佈了多模態團隊研發的新影片生成模型 AvatarFX。它能直接把一張靜態圖片做成連貫的動態影片，人物不僅能準確對口型說話，還能帶著豐富的表情和肢體動作唱歌與互動。

從動嘴皮子到長影片連環戲

以往很多所謂的 AI 數字人對口型，往往只是嘴巴在動，脖子和身子僵硬得像塊木板，播到幾秒鐘之後畫面就容易扭曲崩壞。

Character.AI 這次在 AvatarFX 上採用了 DiT 架構的流動擴散模型，設計了一套引數高效的訓練管線。它不是簡單地讓音訊驅動嘴唇貼圖，而是結合自家的 TTS 語音模型，根據聲音節奏協同生成頭部轉動、眼神細節以及手部和軀幹的連貫姿態。

更關鍵的是控制力和時長。AvatarFX 支援直接匯入既有圖片生成，不需要使用者反覆抽卡拼提示詞；它支援多角色同框和多輪輪流對話，還設計了新的長影片推理策略，用來避免長鏡頭下的動作走樣。

為了兼顧不同使用者的審美偏好，模型不僅吃得下真人寫實風格，還能撐起 2D 動漫、3D 卡通、神話生物，甚至帶五官的靜物和家裡的小寵物。

這種複雜生成往往極耗算力，Character.AI 提到他們用了模型蒸餾技術來減少擴散步數，在幾乎不損失畫質的前提下把推理速度拉快，降低服務成本。未來幾個月這項技術會向所有使用者開放，CAI+ 訂閱會員將率先嚐鮮。

預防 Deepfake 的一票否決制

生成影片逼真度越高，假影片和換臉濫用的風險就越大。Character.AI 這次在安全審查上拿出了相當嚴密的防線。

在素材輸入環節，平臺會直接攔截未成年人、知名政客以及其他公眾人物的照片上傳。如果使用者傳的是普通真人的生活照，系統還會先用 AI 對人臉做去辨識化變形，讓影片裡的人物不再能被認出是誰。

除了常規的對話敏感詞過濾和強制影片防偽水印外，Character.AI 還針對測試功能推出了極其嚴苛的條款：明令禁止冒充、霸凌和侵權，並且執行一票否決的清退策略，只要違規一次就直接封禁。

為什麼重要

從聊天框升級到影片流，看起來是 Character.AI 築起差異化壁壘的關鍵一步。

對使用者和創作者來說，這極大降低了虛擬角色內容創作的門檻。以往製作一段帶情緒起伏、手勢配合的多輪動畫對話，需要建模、繫結動捕、對口型切音訊等一整套專業工具，現在傳一張同人立繪或自制立繪就能搞定劇情短片。

在行業層面，這也給賽道里的對手帶來了壓力。傳統的陪伴類 AI 如果還停留在純文字或靜態語音階段，在互動沉浸感上會被迅速甩開；而對於通用的影片生成大模型來說，Character.AI 走的是端到端繫結特定互動場景的實用路線，使用者粘性天然更高。

我們認為這一步做得很討巧。靠蒸餾壓縮推理成本、用現有圖片控制構圖，都打在了低成本規模化落地的核心痛點上。但隱患同樣明顯：強行用 AI 改動真人面部雖然防住了換臉侵權，卻可能破壞使用者上傳自己或原創角色的真實意圖，如何在嚴格風控和創作自由之間取得平衡，上線後依然要面臨考驗。