ИИ-аватар для видео: HeyGen Avatar 6 читает жесты по звуку

HeyGen выпустила Avatar 6 и назвала её самой умной моделью аватара в своей линейке. Модель управляется звуком: читает скрипт, слышит интонацию и строит жесты под речь. Разбираю, почему окно в 30 секунд важнее красивых цифр про 2K, что смотреть в готовом ролике и чего релиз не обещает.

Звуковая волна входит в силуэт человека и поднимает руку: жесты аватара строятся по интонации речи
01

ИИ-аватар для видео: что выпустила HeyGen 17 ноября

HeyGen выпустила Avatar 6 и назвала её самой умной моделью аватара в своей линейке. Объявление вышло на PR Newswire 17 ноября в 12:07 по восточному времени США. Отличие от прошлых версий в источнике управления: модель читает скрипт и интонацию, а жесты и мимику строит под речь. Задача, которую так решают, знакомая. HeyGen называет повторяющиеся движения давним ограничением аватаров.

Окно контекста при работе выросло в 10 раз: примерно с 3 до 30 секунд. Эту цифру стоит держать в голове, когда смотрите демо. Три секунды это меньше одной фразы. При таком окне модель почти не помнит, что делала раньше, и жесты легче повторяются. Тридцать секунд это два или три полных предложения с паузами, ударениями и сменой интонации. Внутри такого окна модель видит, что она уже сделала, и не ставит один и тот же кивок.

Моё мнение: настоящая новость в релизе именно здесь. Нативный 2K приятен, но повтор жестов ломал иллюзию сильнее, чем мягкая картинка. Жест, который приходит на смысл фразы, зритель не считает, и это главный эффект.

02

Создание ИИ-аватара из 30 секунд записи

Модель использует записи самого человека, чтобы понять, как он выглядит и как двигается. Минимум для аватара примерно 30 секунд видео. Дальше записи можно загружать вручную или подтягивать с YouTube, Instagram и TikTok. Личные аватары, которые уже есть у клиентов HeyGen, обновятся без новой съёмки.

Что это значит на практике. Тридцать секунд хватает, чтобы аватар появился, и мало, чтобы он вёл себя как человек. Для серии роликов стоит записать 3-5 минут разного материала: спокойный текст, энергичный, с паузами, с улыбкой и без. Чем разнообразнее движения в исходнике, тем меньше шансов, что на длинной фразе модель начнёт повторяться. Это совет, в релизе его нет.

Узкое окно контекста повторяет один и тот же жест, широкое: ставит разные: 3 секунды против 30
03

2K и синхронизация губ

Нативный вывод теперь 2K, синхронизация губ заявлена точнее, чем в прошлой версии. 2K полезен в двух случаях: когда из кадра режут вертикальную версию и когда ролик идёт на большой экран. Для сторис и Reels 1080 по-прежнему достаточно, там лишние пиксели съест сжатие платформы.

Смотрю на «п», «б» и «м», потому что на них видно, держит ли модель смыкание. Ровная артикуляция без этих звуков читается как озвученный манекен.

04

Где Avatar 6 доступна и что стоит за первым местом

Модель работает в платформе HeyGen и в API, а также на выбранных сторонних платформах. На сторонних площадках разрешены фото-аватары и виртуальные аватары. Реалистичные видео реальных людей остаются в HeyGen, где нужны живая проверка личности и явное согласие человека.

Это ограничение стоит проговорить заказчику заранее. Если он собирает ролик в чужом сервисе, реалистичного двойника сотрудника там не будет, и вся связка «сняли один раз, дальше говорим любым текстом» на сторонней площадке рассыпается.

По данным HeyGen, Avatar 6 заняла первое место в Avatar Arena организации New Measure. Оценка принадлежит самой HeyGen, независимой проверки нет, поэтому к цифре я отношусь как к маркетингу. Отдельно ReelStack пишет, что в тот же день модель появилась партнёрским узлом в ComfyUI. Сообщение стороннее, подтверждения от HeyGen в релизе нет, так что пока это слух с источником.

05

Что проверить в готовом ролике с говорящей головой

Четыре вещи, которые стоит посмотреть первыми.

Жесты на длинной фразе. Беру фрагмент 30-40 секунд без склеек и ищу повтор. Признак: одна и та же связка, например кивок плюс поднятая бровь, идёт через равные промежутки. За пределами 30-секундного окна модель начинает заново, и на стыке может смениться поза.

Паузы. В тишине аватар часто дёргает головой, как будто ждёт команду. Хорошая пауза выглядит как пауза живого человека: взгляд в сторону, небольшое движение плеч, и всё.

Губы на взрывных согласных. Здесь виден и рассинхрон, и слишком ровная артикуляция.

Стыки сцен. Смотрю, не прыгает ли герой между фразами: меняется наклон головы, высота в кадре, положение рук.

06

Что релиз не обещает

В релизе нет цен и лимитов. Нет данных о том, сколько записей держит один аватар и как быстро считается минута в 2K. Значит, бюджет проекта считается по интерфейсу и по тарифам API на дату запуска, и планировать серию на пятьдесят роликов без этих цифр нельзя.

Это нормальная ситуация для дня анонса. Плохо другое: часть подрядчиков уже продаёт «новый аватар» по старой цене и старому качеству, а проверить это можно только тестовым фрагментом.

07

Кому это нужно на практике

Вижу два сценария. Первый: ролик с говорящей головой для лендинга или канала, где важна непрерывность речи на две-три минуты. Второй: серия версий для вертикальной рекламы, где один человек говорит разный текст под разные аудитории.

Если заказываете ИИ-аватар впервые, начните с разбора базовых понятий: продавцы под этим словом понимают три разные вещи. Для канала с ведущим логика та же, чем длиннее непрерывная речь, тем важнее окно контекста.

08

Вывод

Avatar 6 это правильный шаг. HeyGen починила то, что сильнее всего портило длинные ролики: повторяющийся жест виден за секунду, и никакое 2K его не спасает. Тридцать секунд контекста звучат скромно, а на деле это разница между аватаром-роботом и аватаром, который держит фразу.

Заказывать стоит с тестом: две минуты текста с паузами и проверка по четырём пунктам. Если на длинной фразе повтор остался, дальше решается сценарием: короче фразы, больше смен плана, живая перебивка. И заранее спросить у исполнителя, где запускается модель, потому что на сторонней площадке реалистичный двойник реального человека не появится.

Под такие задачи есть услуги: вертикальная реклама и видео нейросетями.

частые вопросы

01Чем Avatar 6 отличается от прошлых моделей HeyGen
Она управляется звуком: читает скрипт и интонацию, строит жесты и мимику под речь. Окно контекста выросло примерно с 3 до 30 секунд, синхронизация губ точнее, вывод нативный 2K. Существующие личные аватары обновляются без новой съёмки.
02Сколько видео нужно, чтобы создать аватар
Примерно от 30 секунд. Дополнительные записи можно загрузить вручную или подтянуть с YouTube, Instagram и TikTok. Для серии роликов лучше 3-5 минут разного материала, чтобы движений в исходнике было больше.
03Можно ли сделать такого аватара на сторонней платформе
На выбранных сторонних платформах доступны фото-аватары и виртуальные аватары. Реалистичные видео реальных людей остаются в HeyGen, где нужны живая проверка личности и явное согласие.
04Почему аватар повторяет жесты и как это заметить
Повтор появляется там, где модель не видит предыдущие секунды речи. Смотрите фрагмент 30-40 секунд без склеек: если одна и та же связка жестов идёт через равные промежутки, модель повторяется.
05Есть ли цены и лимиты
В релизе их нет. Тарифы и ограничения стоит смотреть в интерфейсе HeyGen и в документации API на дату запуска.