音视频联合生成
单流 Transformer 在同一次生成中联合去噪视频 token 与音频 token，音画天然对齐，不需要外接 TTS 再对口型。
价格免费，网页版未公开价格档位与额度上限
平台Web / API
归类AI 视频生成
收录2025-01-01
复核2025-01-01
编辑评分
4.0 / 5
★★★★☆
DaVinci MagiHuman编辑总结
DaVinci MagiHuman 是由 Sand.ai 与上海交通大学 GAIR Lab 联合开发的 15B 参数开源音视频生成模型，采用 Apache 2.0 协议发布。它只需一张人脸照片配合文本或音频，就能输出带匹配语音的口型同步说话视频，音频与视频由单一模型同步生成，无需额外拼接语音合成与视频管线。在单张 NVIDIA H100 上生成 256p 短片段约需两秒，的评测中词错误率约为 14.6%，明显低于 Ovi 1.1 的约 40.5%。未公开网页版的价格档位与额度上限。
DaVinci MagiHuman是什么？
DaVinci MagiHuman 是一个开源的 AI 数字人视频生成模型，由 Sand.ai 与上海交通大学 GAIR Lab 共同开发。它面向需要制作口播视频的创作者、研究者与开发者，使用方式是把一张人脸照片作为视觉锚点，再配上文本脚本或音频，模型即可输出口型与语音同步的说话视频。
模型为 15B 参数规模，采用单流 Transformer 架构，在同一次生成过程里联合去噪视频 token 与音频 token，而不是把文字转语音和视频生成拆成两条独立管线。它使用 Apache 2.0 许可证发布，可以查看权重、在本地运行推理，并在许可条款范围内商用。在单张 NVIDIA H100 GPU 上，256p 分辨率的两秒短片段约需两秒生成时间，实际速度取决于参数设置与硬件。
官网提供了在线演示工作台，上传照片、填写脚本即可试用；开发者则可以自行部署权重做本地推理或二次开发。还展示了来自 GAIR Lab 与 Sand.ai 的演示片段，用于直观展示其面部表情与语音自然度。
DaVinci MagiHuman核心功能
单张照片驱动
只需一张人像照片作为视觉锚点，配合文本或音频输入，即可产出说话视频，对素材准备的要求较低。
多语言口型同步
支持多种语言的唇形同步，具体覆盖范围取决于训练数据与发布说明，官网未逐一列出语言清单。
开源可商用
以 Apache 2.0 协议发布，15B 参数权重可查看、可在本地推理，并可在许可条款范围内用于商业用途。
H100 上快速推理
在单张 NVIDIA H100 上，256p 分辨率约两秒的短片段生成时间约两秒，实际吞吐随设置与硬件变化。
在线演示工作台
官网提供 Studio 演示入口，上传照片、填入脚本或音频即可生成，结果可在工作室中继续处理。
DaVinci MagiHuman适合谁用？
口播视频创作者
推荐有一张清晰正脸照片和写好的脚本，想快速产出说话片段，在线工作台可以直接生成，不需要部署环境。
开源模型研究者
推荐Apache 2.0 协议下可查看 15B 权重并在本地推理，适合做音视频联合生成方向的复现与对比实验。
有 GPU 的开发者
有条件自备 H100 级别显卡可本地部署，单条 256p 短片段约两秒；消费级显卡能否流畅运行官网未说明。
需要高清成片的商业制作
有条件演示与速度数据基于 256p 短片，更高分辨率的画质表现与生成耗时官网未公开，商用前需自行验证。
DaVinci MagiHuman优点和缺点
优点
- 15B 参数模型以 Apache 2.0 开源，权重可查看、可本地推理、可在许可内商用
- 音视频在同一次生成中完成，无需拼接独立的语音合成与视频管线
- 单张照片加文本或音频即可驱动，素材门槛低
- 单张 H100 上 256p 两秒片段约两秒生成
- 词错误率约 14.6%，低于 Ovi 1.1 的约 40.5%
缺点
- 免费额度上限与调用限制
- 速度数据基于 256p 短片与 H100 级 GPU，更高分辨率表现未公开
- 多语言支持的具体语种范围官网未逐一列出
- 消费级显卡上的推理可行性官网未说明
DaVinci MagiHuman常见问题
DaVinci MagiHuman 要花钱吗？＋
模型以 Apache 2.0 许可证发布，权重可以免费查看、在本地运行推理，并可在许可条款范围内商用；官网首页也把产品标注为免费。网页版演示工作台的付费档位与额度上限未公开，需要付费时以官方页面为准。
它生成视频需要什么输入？＋
一张人脸照片，加上文本脚本或音频。照片作为说话人头的视觉锚点，模型据此生成口型与语音同步的视频，音频与视频在同一次生成中产出，无需另外配音对轴。
生成一段视频要多久？＋
在单张 NVIDIA H100 GPU、256p 分辨率下，约两秒的短片段生成时间约两秒。这是官方给出的参考值，实际速度会随参数设置与硬件档次变化。
口型和语音准不准？＋
的评测中，该模型词错误率约为 14.6%，对比之下 Ovi 1.1 约为 40.5%；在成对人工偏好测试里，它相对于 Ovi 与 LTX 2.3 赢得了较大比例的对比。具体数值会随测试集与提示词变化。
能商用吗？＋
可以。模型采用 Apache 2.0 许可证发布，允许查看权重、本地推理，并在许可证条款范围内商业使用。使用他人肖像照片时，还需自行确认肖像权与相关授权。
支持中文吗？＋
模型支持多种语言的唇形同步，但未逐一列出具体语种，覆盖范围取决于训练数据与发布说明。做中文项目前，建议先在在线工作台用一段中文脚本试生成一条看效果。
和 Ovi、LTX 比怎么样？＋
官网把 Ovi 1.1 与 LTX 2.3 作为公开基线对比：词错误率上本模型约 14.6%、Ovi 1.1 约 40.5%，并在成对人工偏好测试中赢得较大比例的对比。另外它采用 Apache 2.0 开源，可自行部署，而部分同类方案保持闭源。
DaVinci MagiHuman竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| DaVinci MagiHuman本工具 | 4.0 | 免费，网页版未公开价格档位与额度上限 | 音视频联合生成；单张照片驱动；多语言口型同步；开源可商用 | Web / API |
| Ovi 1.1本工具 | — | 未标价 | 包括的公开基线，词错误率约 40.5%，高于本模型的约 14.6% | — |
| LTX 2.3本工具 | — | 未标价 | 包括的公开基线之一，在成对人工偏好测试中落后于本模型 | — |
在官网给出的评测口径下，DaVinci MagiHuman 的词错误率约 14.6%，明显低于 Ovi 1.1 的约 40.5%，并在与 Ovi 1.1、LTX 2.3 的成对人工偏好测试中赢得较大比例的对比。如果看重开源可自部署与音视频一体生成，它更合适；如果只需要闭源托管服务、不打算自己跑推理，则要看这两家提供的托管方案是否更省事。具体选型仍需按各自官网的当期信息判断。
