这两天，腾讯混元最新开源了一款语音驱动的数字人模型：HunyuanVideo-Avatar。

只要上传一张图片和一段音频，就能让图中的人物说话、唱歌，生成一段音画同步、表情自然的高保真视频。

当然，国内外与HunyuanVideo-Avatar有相似能力的产品已有不少，此前“AI新榜”也进行过一些测试。

不过，考虑到腾讯官方表示“HunyuanVideo-Avatar在主体一致性和音画同步上，已经达到业内领先水平，超越现有开源和闭源解决方案；在动态表现和肢体自然度方面，也和多个闭源方案打成平手”，并放出效果不错的demo：

于是我们还是决定上手试试。

过去，AI数字人技术主要集中在让嘴动起来，但嘴型同步难、表情死板、头和身体比较僵硬。由于可控性有限，使用场景自然也受限。

但HunyuanVideo-Avatar称能够支持半身乃至全身驱动，让数字人视频不再局限于面部特写，从而大大提升真实感和表现力。

上手情况如何，我们来看一些案例。

ps. 目前HunyuanVideo-Avatar的单主体能力已经开源，并在腾讯混元官网（https://hunyuan.tencent.com/）开放体验。

实测混元语音数字人模型：

开源有诚意，但效果不够惊艳

HunyuanVideo-Avatar支持多风格、多物种与多人场景，包括赛博朋克、2D动漫、中国水墨画，以及机器人、动物等。

你可以上传音频文件，也可以直接输入文本，由系统提供的14种音色进行朗读，支持语速调节。不过目前系统只能处理和生成14秒以内的音频，超时会自动裁剪。

生成过程相对较慢，从提交到出结果大约需要30分钟-1个小时，对心急想要即时反馈的玩家不那么友好。

我们实测下来，用一句话总结就是：图片和音频质量直接影响成片效果，建议尽量选择五官清晰的正脸照，语音也尽量吐字清晰，这样生成出来的效果大概率不会差。

先说一个省流版整体感受：HunyuanVideo-Avatar的主体一致性和表情自然度确实都还不错；音画整体同步，但嘴型时有偏差，嘴部、牙齿等细节有瑕疵；动作幅度偏小，除了头部运动和上本身的呼吸起伏外，很少有其他肢体动作，运动过程一些细节有时会出现畸变。

我们先上传了一张AI生成的马斯克婴儿照，搭配“开心小童”音色，朗读“祝大家端午节快乐！”。

再来来试试让宠物、卡通角色和虚拟形象说话和唱歌。

我用AI生成了一张金丝熊在埃菲尔铁塔下的自拍照，配上朗读文本：“人，鼠鼠我呀，已经到法国啦。”

嘴型匹配度还是挺高的，但在说话过程中，金丝熊标志性的两颗门牙出现了模糊和变形。

让“前顶流”Loopy唱现任顶流拉布布的“拉布布之歌”，效果意外地还不错，唱歌过程中，Loopy呆萌的神情和脸型得到了比较好的保持，摇头晃脑的动作也自然流畅。

乐高小人报道上海乐高乐园开园：

让神探夏洛克唱中文Rap《因果》：“老天保佑金山银山前路有，老天教唆别管江湖龙虎斗。”

表情自然，口型也基本准确和同步，但除了夏洛克上本身的呼吸起伏外，没有其他肢体动作，少了点表现力。

女孩抱吉他盘腿坐在草地上弹唱《夏天的风》：

《老友记》中Joey的表情包，搭配《The Office》的名场面，这个“演技”不说是AI生成的还以为是原片呢：

美剧《亢奋》 Cassie的绝美流泪剧照，配上一段歌曲音频，秒变音乐剧。生成的视频自然延续了原图的悲伤情绪，表情和眼神都很自然生动，嘴型也基本同步：

目前，HunyuanVideo-Avatar已经在多个腾讯系产品上线应用。在QQ音乐中，用户播放“AI力宏”（腾讯音乐与王力宏工作室联手打造的“全AI”歌手）歌曲时，可以看到虚拟人物实时同步演唱动作；酷狗音乐的绘本功能中也融入了AI虚拟人讲故事的能力；全民K歌则支持用户上传个人照片，自动生成专属唱歌MV。

据介绍，在底层技术架构方面，HunyuanVideo-Avatar基于腾讯混元视频大模型与MuseV技术融合开发，具备多模态理解能力，可自动识别图像中的人物环境信息及音频情感内容，生成高度匹配的视频片段。

还有哪些玩家在卷同一赛道？

实际上，和HunyuanVideo-Avatar能力相似的同类产品，已经在国内外相继上线了不少。

海外有HeyGen、D-ID、Synthesia、Hedra、Meta的MoCha等；国内也有阿里的EMO和Animate Anyone、字节的OmniHuman-1、快手的LivePortrait等等。

其中，字节OmniHuman-1采用的是音频+图片的驱动方式，而LivePortrait则是通过参考视频+图片的驱动方式来生成对口型视频。

这类AI驱动的数字人技术，除了在直播带货、电商营销与广告、影视动画、游戏等行业的落地应用外，也是社交媒体内容创作的热门趋势。

阿里早前推出的Animate Anyone和Emote Portrait Alive（简称Emo）两款人物动作和表情生成框架，被整合进“全民舞台”App中，制造了一波一键让人物、宠物跳舞、唱歌的AI视频创作热潮。

MoCha是Meta今年4月发布的一款AI数字人生成模型，支持通过文本+语音输入，生成电影级别的数字人说话、唱歌视频，能控制脸部表情、嘴型动作、身体姿态，并支持多角色对话与互动，画面表现从近景到中远景都有。

跟之前只盯着脸的模型不同，MoCha能从各种角度渲染全身动作，包括嘴型同步、手势，还有多角色间的互动，系统会根据对话内容生成上半身的动作和手势，以配合台词。

来源：https://congwei1230.github.io/MoCha/

不过需要说明的是，MoCha当前仍处于技术展示阶段，尚未开放公测。Meta只在官网放了一些超强demo和技术细节，效果虽惊艳，但离实际使用还有距离，所以并非是现成可用的更优解。

相比之下，像HunyuanVideo-Avatar这类开源可直接使用的工具，虽然可能在生成质量上与MoCha等闭源模型还有差距，但对于很多企业和对创作者来说或许更具现实意义。

ps. 假期就要来了，祝大家端午安康～！

「