การ์ดชื่อเรื่องที่สร้างขึ้นสำหรับบทความ 'HeyGen Avatar 6' พร้อมคำโปรยที่อ่านว่า 'การเปรียบเทียบโมเดลอวตาร' ชื่อเรื่องขนาดใหญ่ 'HeyGen Avatar 6' คำบรรยายใต้ชื่อ 'ตัวเลขความแยกไม่ออก 84.4% วัดอะไรกันแน่' และการ์ดทรงแคปซูลสามใบที่อ่านว่า '84.4% = 42.2% x 2', '1,197 Elo, อวตารส่วนบุคคล' และ '17 พฤศจิกายน 2026'
Engineering & Research

HeyGen Avatar 6: ตัวเลขความแยกไม่ออก 84.4% วัดอะไรกันแน่

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

พาดหัวของ HeyGen สำหรับ Avatar 6 ที่เปิดตัวเมื่อวันที่ 17 พฤศจิกายน 2026 คือโมเดลนี้แยกไม่ออกจากฟุตเทจจริงถึง 84.4% อ่านเชิงอรรถก่อนจะพูดซ้ำ: ในการทดสอบแบบเคียงข้างกัน ผู้ให้คะแนนได้รับการแสดงบันทึกจริงและคลิป Avatar 6 ของคนเดียวกันที่พูดประโยคเดียวกันด้วยเสียงเดียวกัน และเลือก Avatar 6 ว่าเป็นของจริง 42.2% ของจำนวนครั้ง ร้อยละ 50 จะเป็นความสับสนสมบูรณ์แบบ HeyGen หาร 42.2 ด้วย 50 แล้วคูณผลลัพธ์ด้วยสองเพื่อให้ได้ 84.4% ซึ่งเป็นวิธีที่ถูกต้องตามหลักในการสื่อว่า "ข้ามช่องว่างไปได้ไกลแค่ไหน" และเป็นวิธีที่ชวนเข้าใจผิดในการสื่อว่า "สิ่งนี้หลอกคนได้บ่อยเพียงใด" ตัวเลขทั้งสองอธิบายคำตอบ 270 คำตอบเดียวกัน

เรื่องนี้สำคัญเพราะ Avatar 6 ไม่ใช่เดโม แต่เป็นโมเดลที่พร้อมใช้งานจริงซึ่งมี API สองส่วนต่อประสาน มีเช็กพอยต์สองตัว มีแพ็กเกจใช้งานฟรี และ — ณ วันนี้ — มีลีดเดอร์บอร์ดจากบุคคลที่สามที่จัดให้อยู่อันดับหนึ่ง คำถามที่น่าสนใจไม่ใช่อีกต่อไปว่า HeyGen สร้างของดีขึ้นมาหรือไม่ แต่คือหลักฐานสนับสนุนสิ่งใดจริง ๆ และช่องว่างระหว่างการคำนวณทางการตลาดกับพฤติกรรมที่วัดได้นั้นอยู่ตรงไหน

ปล่อยอะไรออกไปกันแน่

Avatar 6 มีให้ใช้ในฐานะตัวระบุโมเดลสองตัว คือ heygen-avatar-6 และ heygen-avatar-6-turbo ผ่านปลายทาง API ที่แตกต่างกันสองปลายทาง Model API ที่ POST /v3/models/avatars รับภาพอ้างอิง วิดีโออ้างอิงแบบไม่บังคับ และเสียงคำพูดที่คุณจัดหาให้ — ไม่มีขั้นตอนการฝึก Avatar และไม่ต้องกำหนดค่าเสียงก่อน Application API ที่ POST /v3/videos จะเรนเดอร์ลุค Avatar ของ HeyGen ที่มีอยู่ โดยตั้งค่า engine.type เป็นหนึ่งในตัวระบุสองตัวนั้น ซึ่งเป็นเส้นทางที่คุณใช้หากคุณมีดิจิทัลทวินอยู่แล้วภายใต้ความยินยอม

• ความละเอียด — ค่าเริ่มต้นที่ 1080p และ 2K เมื่อมีการร้องขอ; Model API กำหนดขนาดเอาต์พุต 2K เป็น 2880×1620 จากค่าอ้างอิงอัตราส่วน 16:9 ส่วน Application API กำหนดเป็น 2560×1440

• ความยาว — กำหนดโดยเสียงที่คุณป้อนเข้ามา ไม่มีพารามิเตอร์ระยะเวลา ไม่มีขีดจำกัดความยาวคลิป และไม่มีขั้นตอนการต่อเสียง; หน้าวิจัยแสดงให้เห็นการสร้างแบบต่อเนื่องเพียงครั้งเดียวที่มีความยาว 25 ถึง 28 นาที

• การควบคุม — motion_prompt ที่มีความยาวไม่เกิน 1,200 ตัวอักษร ครอบคลุมท่าทาง สีหน้า การวางท่า และกล้อง พร้อมสวิตช์ motion_expressiveness ที่มีสองค่า ได้แก่ ค่าเริ่มต้น หรือ less สำหรับท่าทางที่เล็กลงและสีหน้าที่สงบขึ้น

• วิดีโออ้างอิง — คลิปหนึ่งคลิปที่มีความยาวอย่างน้อยสองวินาที ขนาดสูงสุด 50 MB ผ่าน URL หรือ base64 และสูงสุด 200 MB ผ่านการอัปโหลดโดยตรง วิดีโออ้างอิงบุคคลจริงที่สมจริงต้องใช้สิทธิ์ Enterprise และการบันทึกความยินยอมบนกล้องพร้อมรหัสใช้ครั้งเดียว หากไม่มีสิ่งนี้ API จะส่งคืน 422 realistic_human_reference_not_allowed

• การแก้ไข — โหมดแก้ไขระดับคำที่สร้างใหม่เฉพาะคำที่เปลี่ยนแปลง และปล่อยให้ส่วนที่เหลือของฟุตเทจไม่ถูกแตะต้อง

A generated scoreboard titled 'HeyGen Avatar 6 — the scoreboard' with a single column of six rows: Resolution 1080p default, 2K on request; Longest render 25-28 minutes continuous; Side-by-side test picked as real 42.2%, baseline 50%; Single clip judged real 65.1% vs 78.9% for real footage; Avatar Arena Elo 1,197 personal / 1,237 stock; Render time 175.6 s typical, 1 in 10 over 9.5 min. The footer reads 'HeyGen figures are vendor-run preference studies. Arena Elo per New Measure, 18 November 2026.'

การออกแบบระบบความยินยอมนี้ควรค่าแก่การหยุดพิจารณา เพราะเข้มงวดกว่าที่ผู้จำหน่ายอวตารส่วนใหญ่ยอมลงทุนทำ ข้อความแสดงความยินยอมต้องมีรหัสที่สร้างขึ้นสำหรับเซสชันนั้น โดยฟุตเทจที่บันทึกไว้ล่วงหน้าจะผ่านการตรวจสอบไม่ได้ และ HeyGen จะตรวจสอบว่าบุคคลในวิดีโอบันทึกความยินยอมตรงกับบุคคลในฟุตเทจที่ใช้ฝึก ก่อนที่อวตารจะเรนเดอร์ได้เลย

84.4% ที่คลี่ออกมาแล้ว

HeyGen ได้ทำการทดสอบสองครั้ง และผลลัพธ์ทั้งสองขัดแย้งกันในแบบที่เป็นประโยชน์

เมื่อให้ดูคลิปทีละคลิปและถามว่า "จริงหรือ AI" ผู้ให้คะแนนตัดสินว่า 78.9% ของคลิปบันทึกของจริงเป็นของจริง พวกเขาตัดสินว่า 65.1% ของคลิป Avatar 6 เป็นของจริงเมื่อใช้เสียงของบุคคลนั้นเอง เมื่อเปลี่ยนมาใช้ HeyGen Voice clone ตัวเลขนั้นก็ลดลงเหลือ 56.5% นี่คือพาดหัวที่ตรงไปตรงมา: ประมาณสองในสามของคลิป Avatar 6 ผ่านเป็นของจริงในสายตาคนแปลกหน้าที่กำลังมองหาของปลอม เทียบกับสี่ในห้าของคลิปบันทึกของจริง

การทดสอบแบบวางเคียงข้างกันนั้นง่ายกว่า — คุณมีจุดอ้างอิง และโมเดลเพียงต้องเป็นตัวเลือกที่น่าเชื่อกว่าจากสองตัว — และนั่นคือที่มาของ 42.2% HeyGen ยังรายงานการศึกษาแบบคลิปเดียวที่ถูกตัดสินว่า "ของจริง" โดยมีคำตอบจริง 612 คำตอบ และคำตอบจาก AI 304 และ 308 คำตอบตามลำดับ ซึ่งเป็นตัวอย่างที่เล็กพอที่ความแตกต่างระหว่าง 65.1% และ 56.5% สมควรได้รับการทดสอบซ้ำก่อนที่ใครจะสร้างข้อกล่าวอ้างจากสิ่งนี้

เมื่อเทียบกับโมเดลวิดีโออื่นๆ โดยใช้ฟุตเทจของผู้คนเอง HeyGen รายงานว่าชนะด้านความชอบ 72.4% เหนือ Seedance 2.5, 74.1% เหนือ Wan 3.0 และ 54.9% เหนือ Kling 4.0 จากภาพถ่ายเพียงภาพเดียว ช่องว่างของ Kling ก็กว้างขึ้นเป็น 73.5% — ซึ่งบอกอะไรบางอย่างเกี่ยวกับคุณค่าของฟุตเทจอ้างอิงที่มีต่อผลลัพธ์ของคู่แข่ง ไม่ใช่แค่ของ HeyGen เท่านั้น เมื่อเทียบกับผลิตภัณฑ์อวตารเชิงพาณิชย์ ผู้ประเมินภายนอกให้คะแนน Avatar 6 ที่ 4.00 โดยรวมจากภาพถ่าย เทียบกับ VEED Fabric 1.0 ที่ 3.68 และ 3.98 จากฟุตเทจ เทียบกับ Akool Talking Avatar ที่ 2.93 ทั้งหมดนี้เป็นการศึกษาของ HeyGen เอง โดยผู้ประเมินของ HeyGen เอง และชุดพรอมต์ของ HeyGen เอง ควรถือว่าเป็นความเชื่อตั้งต้นที่หนักแน่น ไม่ใช่ผลลัพธ์

New Measure ไปถึงที่นั่นก่อน

หลักฐานชิ้นเดียวที่ HeyGen ไม่ได้ว่าจ้างให้จัดทำมาถึงแล้ววันนี้ New Measure เผยแพร่ผลลัพธ์ช่วงแรกของ Avatar Arena จากคะแนนโหวตแบบไม่ระบุตัวตนที่เก็บรวบรวมระหว่างวันที่ 27 ตุลาคมถึง 16 พฤศจิกายน — ก่อนการเปิดตัว — จากผู้ให้บริการอวตารแปดราย ผู้โหวตได้ดูวิดีโอสองคลิปที่มีบทเดียวกัน ซึ่งติดป้ายเป็น A และ B โดยซ่อนชื่อผู้ให้บริการไว้ และเลือกผู้ชนะ

Avatar 6 ได้อันดับหนึ่งบนทั้งสองบอร์ด: 1,197 Elo สำหรับอวตารส่วนบุคคล โดยมีช่วง 1,162 ถึง 1,241 และ 1,237 สำหรับผู้นำเสนอแบบสำเร็จรูป โดยมีช่วง 1,207 ถึง 1,278 Creatify Aurora 2.0 อยู่อันดับสองบนทั้งสองบอร์ด ที่ 1,053 และ 1,088 Tavus Phoenix-4.5 อยู่ที่ 920 บนอวตารแบบสำเร็จรูป ตามหลัง Creatify และนำหน้า JoggAI ที่ 887 และ Synthesia EXPRESS-1 ที่ 868

A screenshot of the New Measure article 'Which AI avatar do creators prefer?', published 18 November 2026, showing the benchmarks header, the headline finding that HeyGen Avatar 6 was preferred most often on both personal and stock avatars with Creatify Aurora 2.0 second on both, and the opening of the 'What we compared' section describing blind A/B votes between two providers reading the same script.

รายละเอียดสองจุดในรายงานนั้นให้ข้อมูลที่เป็นประโยชน์กว่าการจัดอันดับเสียอีก จุดแรก New Measure เปิดเผยว่าคู่แข่งสามราย — VEED, Creatify และ Captions — ใช้เสียงที่สร้างจากโคลนเสียงของ HeyGen ดังนั้นส่วนหนึ่งของความได้เปรียบด้านเสียงของ HeyGen จึงเป็นการที่ HeyGen แข่งกับตัวเอง จุดที่สอง และสำคัญกว่าสำหรับการเปิดตัวครั้งนี้: อารีนาจำกัดบทไว้ที่ 500 ตัวอักษร บทโดยทั่วไปมี 62 คำ และในการเปรียบเทียบที่ทำเสร็จแล้ว 97% วิดีโอทั้งสองมีความยาว 35 วินาทีหรือน้อยกว่า ดังนั้นอารีนาจึงไม่ได้บอกอะไรเลยเกี่ยวกับฟีเจอร์ที่ Avatar 6 ชูเป็นจุดเด่น — ระยะเวลาไม่จำกัด โมเดลที่รักษาอัตลักษณ์ที่สอดคล้องกันได้นาน 26 นาที ยังไม่ถูกทดสอบในเรื่องนั้นโดยใครก็ตามนอก HeyGen

ความเร็วเป็นอีกจุดหนึ่งที่การจัดอันดับกับประสบการณ์ไม่ตรงกัน โดยทั่วไป Avatar 6 เป็นตัวที่ช้าที่สุดในห้าตัวในกลุ่มอวตารส่วนบุคคล ด้วยเวลา 175.6 วินาทีต่อวิดีโอ เทียบกับ 60.2 วินาทีของ Runway GWM-1; หนึ่งในสิบของวิดีโออวตารส่วนบุคคลของ HeyGen ใช้เวลามากกว่าเก้านาทีครึ่ง ความชอบและความอดทนเป็นคะแนนที่แตกต่างกัน และ New Measure กล่าวตรงๆ ว่าทั้งสองไม่ได้สอดคล้องกัน

สิ่งที่โมเดลทำแตกต่างออกไปจริง ๆ

การเปลี่ยนแปลงเชิงกลไกคือ Avatar 6 อ่านบทแทนการเล่นลูปการเคลื่อนไหวซ้ำ ๆ อวตาร HeyGen ก่อนหน้านี้ดูเหมือนตัวบุคคลแต่แสดงท่าทางแบบเดียวกันไม่ว่าเนื้อหาจะเป็นอย่างไร ส่วนตัวนี้จะชี้ไปที่ “เคาน์เตอร์ทางซ้าย” นับหนึ่งถึงสามด้วยนิ้วบน “รสชาติ ตัวเลือก และความรู้สึก” และเอามือวางบนอกเมื่อ “พร้อมคุยเสมอ” — เพราะพรอมต์สั่งไว้ หรือเพราะประโยคสื่อความเช่นนั้นก็ได้ ว่ากรณีที่สื่อโดยนัยจะได้ผลดีเท่ากรณีที่สั่งไว้หรือไม่ เป็นเรื่องที่ต้องให้การใช้งานจริงเป็นตัวตัดสิน

ความสามารถที่สองคืออวาตาร์สองตัวในเฟรมเดียวกันที่สนทนาตามบทที่กำหนดไว้ โดยสร้างขึ้นในครั้งเดียว นี่คือฟีเจอร์ที่มีรูปแบบเหมือนพอดแคสต์ และเป็นฟีเจอร์ที่มีแนวโน้มว่าจะเป็นประโยชน์ที่สุดสำหรับทีมที่ผลิตเนื้อหารูปแบบนี้อยู่แล้ว เพราะช่วยขจัดขั้นตอนการตัดต่อระหว่างการสลับผู้พูด

อย่างที่สามคือการแก้ไขในระดับคำ ตัวเลขของ HeyGen เองสำหรับสิ่งนี้คือ ค่า LSE-C ของ lip-sync อยู่ที่ 7.67 สำหรับคำใหม่ เทียบกับ 6.25 สำหรับการบันทึกต้นฉบับ ความคล้ายใบหน้า 0.913 เทียบกับค่าที่ดีรองลงมาที่ 0.907 ความคล้ายเสียง 0.763 เทียบกับ 0.739 และ PSNR 48.3 dB บนฟุตเทจที่ไม่ถูกแตะต้อง เทียบกับ 29.3 dB สำหรับวิธีตัดต่อคู่แข่งที่ใกล้เคียงที่สุด โดยมี 34.4% ของเฟรมที่ถูกเปลี่ยน แทนที่จะเป็น 99%+ ที่วิธีเปรียบเทียบเข้าไปแตะ ตัวเลขสุดท้ายนั้นคือตัวเลขที่สำคัญในเชิงปฏิบัติการ: การบันทึกใหม่หนึ่งประโยคในวิดีโอ 20 นาทีจะมีต้นทุนต่ำก็ต่อเมื่ออีก 19 นาทีที่เหลือยังคงอยู่แบบไบต์ต่อไบต์

ค่าใช้จ่ายคือเท่าใด และสิ่งใดที่ไม่ได้ถูกเปิดเผย

Avatar 6 อยู่ในแพ็กเกจฟรี — วิดีโอติดลายน้ำ 3 วิดีโอต่อเดือน ความยาวสูงสุด 1 นาทีต่อวิดีโอ และไม่ต้องใช้บัตรสำหรับวิดีโอแรก Creator ราคา $29/เดือน ให้ 600 เครดิต และมี Avatar 6 Turbo; Pro ราคา $49/เดือน ให้ 1,000 เครดิต และมี Avatar 6 Pro HeyGen ขายสิทธิ์การเข้าถึงเป็นเครดิต ไม่ใช่เป็นวินาที

นั่นคือช่องโหว่ในเอกสารเปิดตัว HeyGen ประกาศอัตราต่อวินาทีสำหรับ HeyGen Video 1 — $0.02 โดยมีตัวเลข $0.03 ปรากฏอยู่ในแผนภูมิต้นทุนของตัวเอง — แต่ไม่มีอัตราค่าบริการที่เทียบเท่าสำหรับ Avatar 6 บนหน้าราคาสาธารณะ และหน้าราคาสำหรับนักพัฒนาซอฟต์แวร์เปลี่ยนเส้นทางไปยังแอปที่ต้องเข้าสู่ระบบ หากคุณกำลังจัดงบประมาณสำหรับไปป์ไลน์อวตารในปริมาณมาก ตอนนี้คุณกำลังคิดราคาจากเครดิตและเดาอัตราการแปลง ขอตัวเลขต่อวินาทีเป็นลายลักษณ์อักษรก่อนที่คุณจะผูกเส้นทางการผลิตไว้กับมัน

สิ่งนี้เข้ากับตรงไหนถ้าคุณกำลังสร้าง

Avatar 6 ไม่ได้อยู่บน OrcaRouter เราไม่ได้ให้บริการมัน และไม่ว่าการจัดเส้นทางจะชาญฉลาดแค่ไหนก็ไม่เปลี่ยนข้อเท็จจริงนี้ — มันเป็นตัวเรนเดอร์ที่ HeyGen โฮสต์ ซึ่งมีขั้นตอนการยินยอมและระบบเรียกเก็บเงินของตัวเอง สิ่งที่เราให้บริการคือชั้นที่อยู่รอบ ๆ มัน: การสร้างสคริปต์ การดึงข้อมูล การจำแนกประเภท เอเจนต์ที่ตัดสินใจว่าอวาตาร์ควรพูดอะไร นั่นคือ โมเดล 200+ ผ่านคีย์ที่เข้ากันได้กับ OpenAI เพียงคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกราคาเพิ่ม และ การสลับไปใช้งานสำรองอัตโนมัติเมื่อผู้ให้บริการเกิดปัญหาสะดุด หากไปป์ไลน์อวาตาร์ของคุณหยุดชะงักเพราะโมเดลที่เขียนสคริปต์ล่ม ตัวเรนเดอร์ไม่เคยเป็นส่วนที่เปราะบางตั้งแต่แรก

A screenshot of the OrcaRouter Models page, showing the filter sidebar (input modalities, context length, input price, status, access tier, series, supported parameters, privacy, inference region) and the header reading 226 models, with the tabs All 226, Cyber 11, Text 190, Image 12.

คำถามที่ยังเปิดอยู่

มีสามสิ่งที่จะเปลี่ยนภาพนี้ และยังไม่มีสิ่งใดพร้อมใช้งานในตอนนี้ ราคา API แบบคิดรายวินาที เพื่อให้สามารถเปรียบเทียบเศรษฐศาสตร์กับ Seedance, Kling และโมเดลวิดีโอของ HeyGen เองได้อย่างเป็นธรรม การทดสอบแบบยาวโดยอิสระ เพราะข้ออ้างเรื่องความยาวทั้งหมดในที่นี้พึ่งพาการสาธิตของ HeyGen และ arena จำกัดไว้ที่ 35 วินาที และการเทียบแบบตัวต่อตัวกับคู่แข่งที่มีความทะเยอทะยานใกล้เคียงกัน เช่น Tavus Griffin ภายใต้โปรโตคอลเดียว โดยคนที่ไม่มีผลิตภัณฑ์จะขาย

จนถึงตอนนั้น สรุปอย่างยุติธรรมก็คือ: Avatar 6 มีแนวโน้มสูงมากที่จะเป็นตัวเรนเดอร์อวตารพูดได้ที่ดีที่สุดที่คุณซื้อได้ในวันนี้ ตัวเลข 84.4% เป็นผลลัพธ์จริงที่แสดงออกมาในหน่วยที่ฟังดูเข้าทาง และความสามารถที่ทำให้มันโดดเด่นที่สุดคือสิ่งที่ไม่มีใครนอก HeyGen เคยวัด สร้างโครงการนำร่องขึ้นมา แต่ต้องติดเครื่องมือวัดกำกับไว้ด้วย — การที่หนึ่งในสิบของการเรนเดอร์ใช้เวลาถึงเก้านาทีเป็นการตัดสินใจระดับผลิตภัณฑ์ ไม่ใช่แค่หมายเหตุเล็ก ๆ

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube