腾讯混元开源语音数字人模型HunyuanVideo-Avatar：让图片主角说话唱歌

腾讯混元团队最近推出了一项令人惊叹的开源技术——HunyuanVideo-Avatar，这是一款基于语音生成数字人视频的模型。只需一张图片和一段音频，就能轻松生成自然流畅的数字人说话或唱歌视频，为短视频创作注入全新活力。

HunyuanVideo-Avatar 的核心亮点在于其强大的智能理解能力。用户上传一张人物图像与对应音频后，模型会自动解析音频中的情感和场景信息，生成高度还原的动态视频。比如，输入一张海滩上弹吉他的女性照片搭配抒情音乐，模型即可生成她边弹边唱的生动画面。

应用场景广泛

这项技术适用于短视频创作、电商广告等多个领域，大幅降低视频制作的时间与成本。无论是产品介绍还是多人互动广告，HunyuanVideo-Avatar 都能提供高效支持。

技术优势显著

HunyuanVideo-Avatar 不仅支持头部驱动，还能实现半身甚至全身场景的表现，效果远超传统工具。此外，它在主体一致性和音画同步方面表现卓越，处于行业顶尖水平。

风格多样，创意无限

该模型支持多种风格和多人场景，包括赛博朋克、2D 动漫和中国水墨画等，满足不同领域的创作需求。通过精准驱动多个角色，确保唇形、表情和动作与音频完美同步，带来更自然的互动体验。

这些功能的背后是腾讯混元团队与腾讯音乐天琴实验室的技术创新，如多模态扩散 Transformer 架构和面部感知音频适配器等，确保了视频的高质量输出。

HunyuanVideo-Avatar 的单主体功能已上线腾讯混元官网，目前支持 14 秒以内的音频生成视频，更多功能即将推出。

• 体验入口: https://hunyuan.tencent.com/modelSquare/home/play?modelId=126

• 项目主页: https://hunyuanvideo-avatar.github.io

• Github: https://github.com/Tencent-Hunyuan/HunyuanVideo-Avatar

[hhw123pingdao]