StableAvatar

StableAvatar是什么？

StableAvatar是由复旦大学、微软亚洲研究院、西安交通大学等团队联合研发的端到端视频扩散模型，可基于一张参考人物图片与音频，生成无限时长、高保真、身份一致的音频驱动头像视频，无需任何后处理。支持多分辨率输出与跨平台运行，广泛应用于虚拟主播、影视广告、游戏角色动画、教育培训及数字人客服等场景。

开源地址：https://github.com/Francis-Rings/StableAvatar

核心特点

• 无限时长生成：突破传统模型只能生成十几秒的限制，可连续合成分钟甚至小时级视频，画质稳定。
• 高保真 & 保留身份：人物五官、表情、动作与参考图像高度一致，长视频中不“走样”。
• 音画精准同步：嘴型与音频高度匹配，适合唱歌、演讲、对话等场景。
• 端到端生成：无需 FaceFusion、GFP-GAN 等额外修复工具，直接得到可用视频。

核心技术

• 时间步感知音频适配器：防止长视频生成中音频信息逐渐失真，保持嘴型与声音同步。
• 音频原生引导机制：在推理阶段动态利用模型自身预测的音视频潜在特征，提升同步精度。
• 动态加权滑动窗口去噪：让长视频帧与帧之间过渡更平滑，避免卡顿或突变。

应用场景

• 虚拟主播 / 数字人：直播、短视频创作、品牌代言。
• 影视与广告：角色动画、特效镜头、广告短片。
• 游戏与虚拟世界：NPC 表情与动作生成、剧情过场动画。
• 教育与客服：虚拟讲师、虚拟客服，形象统一且可长时间输出。