淘天发布数字人框架 AptAvatar：两步出 720p 片段，主打「边讲边动」的长视频带货讲解
10 月 29 日，阿里巴巴淘天集团 TaoLive AIGC 团队公布数字人视频生成框架 AptAvatar：保留 140 亿参数模型和 720p 输出，把每个视频片段的生成压缩到 2 步推理，支持用文字提示控制讲解时的动作，并改善长视频前后的一致性；报道称论文与推理代码已公开。
据新浪财经转载的网易智能报道，阿里巴巴淘天集团的 TaoLive AIGC 团队推出了数字人视频生成框架 AptAvatar，定位是「面向业界即用」（Production-Ready）。它要解决的是数字人讲解视频里互相牵制的三件事：动作要丰富、画面要稳、生成要快。
按项目主页和报道的介绍，AptAvatar 的输入是一张人物参考图、一段语音和文字动作提示，输出口播或讲解视频，要点有这几条：
- 两步生成：模型保留 140 亿参数和 720p 生成能力，每个约 3 秒的片段只需 2 次前向推理。和 InfiniteTalk 的多步基线（约 120 次）相比，论文报告核心推理计算约提速 60 倍，这是推理计算口径，不等于完整成片耗时；
- 文字控制动作：可以用提示词指定讲解时的手势和动作，比如边介绍衣服边展开、展示细节再收回双手；
- 长视频不跑偏：用「自生成历史回放」的训练方法，让模型提前适应自己生成内容里的偏差，减少长视频里面容、服装和手部逐渐走样的问题。主页展示了真人竖屏（704×1280）、多种卡通风格以及 40 多秒到 166 秒的长视频样例；
- 评测情况：团队在自建测试集（100 条 15 秒短视频、20 条 1 分钟长视频）上与 InfiniteTalk、Wan2.2-S2V、LongCat-Video-Avatar 1.5 等方法对比，报告各项指标领先；在本站此前介绍过的流式交互视频评测 StreamEval 上，AptAvatar 14B 综合得分 75.01，排第六。以上均为团队自测或论文数据，暂无第三方复现。
报道称论文（arXiv 2607.24013）与推理代码已经公开，目前没有看到面向普通用户的在线产品入口；14B 模型在本地跑需要较高配置的显卡。
对创作者意味着什么： 现在不少数字人工具能把口型对上，但一到长讲解就容易出现动作单调、手部变形或人物「越讲越不像」，AptAvatar 正是冲着商品展示、知识讲解这类分钟级内容去的。普通创作者短期内更现实的用法是关注它会不会被接入现有数字人平台或开源工作流；有显卡和技术基础的团队，可以拿自己的带货或课程脚本跑一段 1 分钟样片，重点看手部和人物一致性是否真的够用。使用真人形象做数字人，仍需取得本人授权。
信息来源：新浪财经（转载自网易智能）（本文为编辑整理改写）
