HeyGen

定义

HeyGen 是一套面向企业与个人创作者的生成式人工智能视频工具，它把脚本、照片或一段短片作为输入，输出人物在镜头前说话的视频，也支持把已有视频换成另一种语言并保持口型对齐^[1][5]。平台的名字同时指代其运营公司 HeyGen Technology Inc.，该公司注册为私营企业，总部设在美国洛杉矶^[2]。

它要解决的核心问题是传统视频拍摄依赖摄影器材、演员、场地与剪辑人员，成本与门槛较高，而多数人并不习惯面对镜头^[6]。HeyGen 的设计思路是让用户只提供一份文稿，由系统完成出镜、配音与画面组装的环节^[7]。

原理

HeyGen 的技术底座是自研的多模态内容生成引擎 Surreal Engine，该引擎把视频内容的生成拆解为理解（Understanding）、视框化（Framing）与渲染（Rendering）三个步骤，在不同模态之间完成转换。在模型层面，平台采用扩散生成式模型生成画面，文本处理环节接入 OpenAI 的 ChatGPT 等大语言模型完成翻译与脚本优化，语音合成则使用第三方语音技术。

视频翻译的关键环节是唇形同步：系统先提取音频的频谱特征，再动态对齐人脸关键点，驱动虚拟形象的口型与目标语言语音匹配。平台在流水线上把视频拆成配音、音乐、转场等部分，通常区分为 A 卷与 B 卷分别处理，最后由编排引擎组装成成片。以文字驱动语音、语音驱动口型的过程可概括为 $V_{mouth} = f(A_{audio}, K_{face})$，其中音频特征 $A_{audio}$ 与面部关键点 $K_{face}$ 共同决定口型序列 $V_{mouth}$。

HeyGen 官方把唇形同步描述为：人工智能先聆听音轨并拆解为音素，再把音素映射到嘴型与面部动作，逐帧与画面同步^[8]。其后续的 Avatar V 系统建立在扩散变换器（Diffusion Transformer）与流匹配训练框架之上，以视频参考条件建模身份，并设置身份保持的图像引擎、身份感知的超分辨率精修模块等组件。

发展历程

公司的前身是 2020 年由徐卓与梁望在深圳创立的诗云科技，早期产品为 AI 视频翻译平台 Movio^[9]。徐卓本科就读于同济大学，后在卡内基梅隆大学攻读硕士，曾是 Snapchat 的早期员工；梁望曾任字节跳动的产品设计职务。2021 年公司先后获得红杉中国种子基金、真格基金参与的天使轮投资和 IDG 资本领投的 Pre-A 轮投资，并着手研发 Surreal Engine。

2022 年 7 月，诗云科技推出 Surreal Engine，随后上线 HeyGen 产品；上线后不久的公开数据显示，其在 7 个月内实现 100 万美元的年度经常性收入，并连续 9 个月保持约 50% 的月环比增长^[10]。2023 年，公司业务重心转向海外，国内主体诗云科技注销，同年 11 月完成由 Conviction 领投的 560 万美元 A 轮融资，投后估值 7500 万美元^[9]。

2024 年 3 月，HeyGen 发布 5.0 版本；同年公司完成由 Benchmark 领投的 6000 万美元 A 轮融资，Conviction、Thrive Capital、Bond 等机构参与，投后估值约 5 亿美元，团队与运营总部也迁至洛杉矶^[11][12]。2024 年 11 月，公司对外开放 API 接口。2025 年，HeyGen 公布其年度经常性收入突破 1 亿美元，付费客户接近 20 万。

应用

营销与广告是 HeyGen 最主要的落地场景，企业可用其批量生成产品讲解、销售推广与社交媒体短视频，替代部分传统拍摄流程^[2]。在培训与内部沟通中，平台被用于制作结构化的演示与教学视频，无需专业剪辑技能即可把文稿转为成片^[4]。

视频本地化是另一类主要用途：用户上传视频后选择目标语言，系统自动翻译并调整音色与口型，生成对应语言的版本^[13]。平台还提供数字孪生功能，用户录制一段短视频即可生成与自己外貌、声音相近的虚拟形象，此后仅凭脚本反复出镜^[5]。HeyGen 与 Synthesia 等平台同属数字人视频生成工具的范畴，其下游客户涵盖营销、电商、新闻与教育等行业^[10]。

局限

唇形同步的效果对素材质量敏感。官方说明指出，音频存在噪声或人脸朝向偏离、被遮挡时，口型同步的准确度会下降^[8]。在中文等具体语境下，齿龈音、连读与轻声的唇形表现也可能偏离，需要调整参数或使用真人朗读视频做个性化校准^[14]。

虚拟形象的真实感与可信度并不随逼真程度线性提升。相关研究显示，高度拟人化的虚拟形象更容易引发不适感，消费者对其可信度的评价通常低于真人创作者，尤其当内容涉及个人化的真实叙述时^[15]。平台自身也提示，唇形同步技术可能被用于伪造视频、虚假信息或身份冒用，因此透明度与规范使用是必要前提^[8]。

围绕肖像与声音的使用，平台制定了内容审核规则：创建他人形象的定制虚拟形象必须取得被呈现者本人的明确同意，未经许可制作他人虚拟形象被禁止，被呈现者有权要求移除相关内容^[16]。在法律制度层面，中国的《民法典》禁止以信息技术手段伪造方式侵害他人肖像权，对自然人声音的保护参照适用肖像权保护的有关规定；《生成式人工智能服务管理暂行办法》要求生成式人工智能服务提供者和使用者尊重他人合法权益，不得侵害肖像权、名誉权、隐私权等^[17]。这些规则共同界定了此类工具的使用边界。

参见

• 数字人 —— HeyGen 生成的核心对象，指具有类人外观、可被软件驱动说话与表演的虚拟形象。

• 唇形同步 —— 让虚拟形象口型与语音对齐的技术，是 HeyGen 视频翻译功能的基础。

• 生成式人工智能 —— HeyGen 所属的技术门类，通过模型生成文本、语音与视频内容。

• 扩散模型 —— HeyGen 用于视频画面生成的模型架构之一。

• 深度伪造 —— 与虚拟形象技术同源、常被用于伪造人物影像的技术现象。

• Synthesia —— 与 HeyGen 同属数字人视频生成领域的平台。