腾讯混元发布语音数字人模型：仅需上传图像和音频 图中主角就能说话唱歌

腾讯混元发布语音数字人模型HunyuanVideo-Avatar。仅需一张图和一段音频，就能让图中的主角自然的说话、唱歌。

据悉，HunyuanVideo-Avatar由腾讯混元视频大模型及腾讯音乐天琴实验室MuseV技术联合研发。

该模型支持头肩、半身与全身景别，以及多风格、多物种与双人场景，面向视频创作者提供高一致性、高动态性的视频生成能力。

用户上传人物图像与音频，HunyuanVideo-Avatar模型就会自动理解图片与音频。让图中人物自然地说话或唱歌，生成包含自然表情、唇形同步及全身动作的视频。

当用户输入一张拿着吉他的坐在沙滩的女性图片和一段抒情音乐。

模型会自行理解“她在海边弹吉他，唱着非常抒情的歌曲”，并生成一段图中人物在弹唱的视频。

目前，HunyuanVideo-Avatar适用于短视频创作、电商与广告等多种应用场景。

可以生成人物在不同场景下的说话、对话、表演等片段，快速制作产品介绍视频或多人互动广告，降低制作成本。

据介绍，HunyuanVideo-Avatar的单主体能力已经开源，并在腾讯混元官网上线，目前支持上传不超过14秒的音频进行视频生成，后续将逐步上线和开源其他能力。