HeyGen 推出 Avatar IV：一張照片加聲音，就能生成逼真數字人

以前做數字人影片，最怕的就是那種「皮動肉不動」的塑膠感：嘴唇在機械地對口型，脖子和臉頰卻僵得像石膏雕像。

HeyGen 創始人 Joshua Xu 宣佈推出新一代模型 Avatar IV，並面向全體使用者推送。這次的門檻壓得很低：只要提供一張單人照片、一段臺詞指令碼加上一段你的聲音，就能生成逼真的影片。

讀懂語氣，而不只是機械對口型

大多數數字人只會機械地把音節和口型做對映，而 Avatar IV 的核心是讓模型去「理解」聲音。

它底層用了一套受擴散模型啟發的音訊到表情引擎，不僅識別人在說什麼，還會分析語調、節奏和情緒波動，從而合成帶有時間真實感（temporal realism）的面部動態。

生成出來的畫面不再只是嘴巴在動，而是包含了細微的頭部傾斜、說話時的停頓、語調起伏帶來的節奏感，以及各種微表情，讓單張照片直接變成看著自然流動的真人體態。

為什麼重要

從單張靜態圖直接跑出高表現力的人像影片，意味著內容創作者和出海營銷團隊再也不用大費周章去棚拍或錄製幾分鐘的高畫質樣本，隨便翻出一張清晰肖像就能開工。

對行業來說，Avatar IV 正在把競爭從單純的「對唇形準確度」拉向「情緒與肢體擬真度」。過去為了逼真往往需要昂貴的動作捕捉或多角度影片採集，現在靠擴散機制結合語音特徵提取，就把這道門檻踩平了。

不過我們認為，單張照片生成的上限雖然高，隱患也很明顯。合成逼真度越高、輸入門檻越低，肖像濫用和虛假影片偽造的風險就會成倍放大，如何在開放給全體使用者後防住越界濫用，是 HeyGen 必須面對的硬仗。