一、项目介绍

StableAvatar 是由复旦大学联合微软亚洲研究院、西安交通大学及腾讯混元团队共同研发的一项突破性AI视频生成技术。该技术于2025年8月首次实现了无限长度真人说话视频的高质量生成，显著解决了以往技术在生成长视频时频繁出现的面部扭曲、身体变形、音画不同步等关键问题，推动了AI数字人技术在实际应用中的可用性与自然度。

核心技术机制

StableAvatar 的核心创新在于其时间步感知音频适配器（Timestep-Aware Audio Adapter）。该模块能够将输入的音频信息（如语音内容、音调、节奏等）高效编码为视频生成模型可理解的时序特征信号，确保每一帧视觉内容与对应时间点的音频信息实现精准对齐。通过引入时间上下文建模，系统不仅能保持口型的同步性，还能实现对头部微动作、表情自然过渡等细节的连续控制，从而支持生成长时间且视觉一致性极高的动态视频。

应用前景展望

StableAvatar 的出现极大地降低了多行业在视频内容制作方面的门槛与成本。其可广泛应用于：

• 影视制作与广告行业：快速生成虚拟角色讲解视频，大幅减少后期配音与演员拍摄成本；

• 虚拟助手与交互代理：打造高度拟人化的数字员工，提升用户体验；

• 在线教育与企业培训：教师或讲师仅需提供录音即可生成授课视频，支持多语言、多风格输出；

• 社交媒体与内容创作：用户可通过一张自拍和一段语音生成个性化视频内容，极大丰富创作形式。

星海智算平台已经为大家部署好这个镜像，开箱即用，下面为大家介绍一下，如何在星海智算平台上使用。
星海智算-GPU算力云平台https://spacehpc.com/user/register?inviteCode=57833422

二、使用教程

2.1、选择镜像

在镜像市场选择StableAvatar镜像并创建实例

2.2、应用服务

实例运行后，等待两到三分钟点击应用服务按钮即可

2.3、选择模式

有StableAvatar、音频提取、人声分离三种模式可供选取，由于音频提取和人声分离较为简单，这里演示StableAvatar模式，选择相应语言，并选择相应模型，上传完图片和音频之后，调整提示词和参数，点击开始生成即可。

2.4、结果

实现一张图、一段音频，生成数字人。