腾讯开源混元语音数字人模型：一张图一段音频就能让图中人物说话唱歌

IT 之家 5 月 28 日消息，腾讯混元公众号今日发文宣布开源混元语音数字人模型，仅需一张图和一段音频，就能让图中的主角自然地说话、唱歌。

此次发布的并开源的语音数字人模型 HunyuanVideo-Avatar，由腾讯混元视频大模型（HunyuanVideo）及腾讯音乐天琴实验室 MuseV 技术联合研发，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。

用户可上传人物图像与音频，HunyuanVideo-Avatar 模型会自动理解图片与音频，比如人物所在环境、音频所蕴含的情感等，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。

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。

HunyuanVideo-Avatar 的单主体能力已经开源，并在腾讯混元官网上线，用户可以在“模型广场-混元生视频-数字人-语音驱动-HunyuanVideo-Avatar”中体验，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。

IT 之家附有关链接如下：

• 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

• CNB：https://cnb.cool/tencent/hunyuan/HunyuanVideo-Avatar

• 技术报告：https://arxiv.org/pdf/2505.20156

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。