HunyuanVideo-Avatar 是腾讯混元开源的音频驱动数字人模型：准备一张正面人像照片和一段音频，就能生成口型、表情、头部动作都对上声音的说话视频，单人模式已经开源，本地跑或走在线平台都行。
它和普通图生视频不一样。普通图生视频靠文字提示词猜动作，Avatar 是拿音频直接驱动：音频的节奏、停顿和语气决定嘴型开合与表情变化，还能做情绪迁移，同一张照片配上不同情绪的参考图，出来的神态也不一样。多角色对话也支持，多个人各说各的、音频不会串。
两条路：本地部署免费但吃显卡，在线平台按量付费
本地部署适合有显卡、想反复用的用户。去 GitHub 拉 Tencent-Hunyuan/HunyuanVideo-Avatar 仓库，权重从 Hugging Face 下载，按仓库说明装依赖，就能起 Gradio 界面在浏览器里操作。门槛在显卡：官方要求至少 24GB 显存，建议 96GB 更稳，普通家用显卡跑起来会很吃力，生成耗时随显卡与视频长度变化。
不想折腾硬件就走在线平台：上传照片和音频，选 480p 求快或 720p 求清晰，点生成、等出片、下载。不少平台按秒计费，5 秒起步价约 0.15 美元，正式商用前先看清平台的计费页和授权条款。
输入质量决定成片质量。照片用正面、光线均匀、五官清晰的，侧脸和遮挡多的容易崩；音频用干净的人声，背景音乐和杂音会干扰口型。支持真人、卡通、3D 渲染和动物形象，电商口播、虚拟主播、教学讲解都能试。
有两条红线别碰。别拿别人的照片做冒充视频，肖像权和平台规则都在管；口型对得上不等于内容可信，别用它编造别人没说过的话。效果上它也只是让照片开口说话，身体动作幅度有限，别指望它替你演完整段剧情。腾讯混元开源 HunyuanVideo-Avatar讲了发布时的能力，AI数字人工具推荐把同类工具放在一起比过，选型可以对照着看。
