HeyGen Avatar 6: Digitaler Zwilling gestikuliert passend zum Text und spricht 28 Minuten
HeyGen hat Avatar 6 vorgestellt, ein KI-Modell, das aus einem Foto oder kurzen Videoclip sprechende Videos einer Person in 2K erzeugt. Gesten richten sich nach dem Inhalt des Skripts, Videos können fast eine halbe Stunde lang sein. Ein unabhängiger Blindtest sieht HeyGen vorn, zeigt aber auch, wo die Grenzen liegen.

Worum es geht
Das US-Unternehmen HeyGen aus Los Angeles hat am 17. November 2026 Avatar 6 veröffentlicht, sein neues KI-Modell für sprechende Avatare. Gemeint sind digitale Doppelgänger: Aus einem einzelnen Foto, optional ergänzt um eine kurze Videoaufnahme, erzeugt das Modell Videos, in denen die Person einen beliebigen Text spricht und sich dabei bewegt wie sie selbst. Das Modell ist ab sofort in der HeyGen-Web-App, der Mobil-App und über die Programmierschnittstelle (API) verfügbar. Es gibt zwei Varianten: Avatar 6 Quality und Avatar 6 Turbo, die über eine beschleunigte Rechenpipeline schneller liefert.
Avatar 6 ist „audio-getrieben“: Die Tonspur mit der gesprochenen Sprache bestimmt, was im Bild passiert, also Lippenbewegungen, Mimik und Gesten. Laut Pressemitteilung genügen 30 Sekunden Videomaterial, um einen Avatar anzulegen. Wer mehr Material hochlädt, auch direkt aus YouTube, Instagram oder TikTok, bekommt nach Herstellerangabe abwechslungsreichere Bewegungen. Bestehende „Personal Avatars“ werden automatisch auf Avatar 6 umgestellt, neue Aufnahmen sind dafür nicht nötig.
Es handelt sich um ein kommerzielles Produkt. Die Modellgewichte sind nicht frei verfügbar.
Wie das System aufgebaut ist
Laut dem technischen Bericht von HeyGen, den Unite.AI ausgewertet hat, besteht Avatar 6 aus mehreren eigenen Bausteinen:
- einem Generator, der das eigentliche Video erzeugt,
- einer Super-Resolution-Stufe, die das Bild hochskaliert und feine Details wie Hautstruktur und Haare wiederherstellt,
- einem Bewegungsplaner (Motion Planner), der festlegt, wann welche Geste kommt,
- und HeyGen Voice, dem hauseigenen Sprachmodell, das Text in der Stimme der jeweiligen Person spricht.
Nach HeyGens Angaben stand HeyGen Voice zum Start auf Platz eins der Rangliste von Artificial Analysis. Kurz vor Avatar 6 hatte die Firma außerdem „HeyGen Video“ vorgestellt, ihr erstes allgemeines Videomodell. Damit baut HeyGen eine eigene Technik für Video, Stimme und Avatare auf und ist weniger auf fremde Modelle angewiesen.
Eine wichtige technische Änderung betrifft das sogenannte Kontextfenster zur Laufzeit, also wie viel Material das Modell beim Erzeugen gleichzeitig im Blick behält. Laut Pressemitteilung wuchs es um das Zehnfache, von etwa 3 auf 30 Sekunden. Dadurch sollen Bewegungen weniger repetitiv wirken. Wiederkehrende, schleifenartige Gesten gelten bisher als typisches Erkennungszeichen von KI-Avataren.
Gesten, die zum Inhalt passen
Die zentrale Neuerung: Avatar 6 wertet die Bedeutung des Skripts aus und entscheidet selbst, wo Zeigen, Abzählen oder eine Bewegung in eine bestimmte Richtung passt. Wer mehr Kontrolle will, kann Stimmung, Gesichtsausdruck oder Handbewegungen getrennt vorgeben. Über schriftliche Bewegungsanweisungen lässt sich eine Aktion an eine bestimmte Textstelle koppeln, etwa ein Winken bei der Begrüßung oder Abzählen an den Fingern bei einer Aufzählung. Der Bewegungsplaner setzt diese Aktionen zeitlich genau auf die passenden Wörter. Dazwischen soll die typische Körpersprache der Person erhalten bleiben.
HeyGen-Chef Joshua Xu begründet den Fokus auf Natürlichkeit so:
„Menschen entscheiden in Sekunden, ob sich ein Video anfühlt, als spreche eine Person zu ihnen, und wenn nicht, hören sie auf zuzuhören.“
Lange Videos, zwei Sprecher und gezielte Korrekturen
Bisher erzeugen viele Avatar-Tools eher kurze Clips. HeyGen zeigt dagegen durchgehende Videos von 25 bis 28 Minuten, jeweils aus einer einzigen Tonspur und ohne Wiederholungsschleifen. Die Laufzeit richtet sich also einfach nach der Länge der Rede. Dieselbe Technik bringt auch zwei Sprecher in ein Bild. Eine Demo zeigt einen zweiminütigen Podcast mit Gastgeber und Gast, in dem Totale und Nahaufnahmen der beiden Personen wechseln.
Praktisch ist der Editor für bereits aufgenommene Videos. Dort kann man einzelne Wörter austauschen oder eine Geste ergänzen, und das Modell erzeugt nur den geänderten Abschnitt neu. Die neuen Wörter werden in der Stimme der Person synthetisiert. In HeyGens Vergleich mit 20 Bearbeitungen änderten sich bei Avatar 6 im Schnitt 34,4 Prozent der Einzelbilder. Bei MiniMax H3-max, Wan 3.0, Seedance 2.5 und HappyHorse Edit waren es 99,7 bis 100 Prozent, dort wird also praktisch das ganze Video neu berechnet. Wer etwa in einer fertigen Präsentation einen Versprecher korrigieren will, muss so nicht die ganze Aufnahme neu erzeugen und verliert nicht den Rest des Takes.
Wie realistisch ist es? Zahlen und unabhängiger Test
HeyGen wirbt damit, dass in einem Turing-artigen Test 84 Prozent der Teilnehmenden den Avatar als genauso realistisch empfanden wie die echte Person. Unite.AI erklärt, was hinter der Zahl steckt: Externe Bewerter sahen jeweils ein echtes Video und ein Avatar-6-Video nebeneinander und sollten das echte erkennen. In 42,2 Prozent von 270 Antworten hielten sie das KI-Video für das echte. Da reines Raten 50 Prozent ergäbe, verdoppelt HeyGen den Wert und kommt so auf einen „Ununterscheidbarkeitswert“ von 84,4 Prozent. An diesem Test nahmen 20 externe Bewerter teil, gezeigt wurden 76 Personen. In Einzeltests ohne direkten Vergleich hielten Bewerter Avatar-6-Clips mit der eigenen Stimme der Person in 65,1 Prozent der Fälle für echt. Bei tatsächlich echten Aufnahmen waren es 78,9 Prozent.
Gegen allgemeine Videomodelle fielen HeyGens eigene Vergleiche teils knapp aus (gezählt wurden nur Antworten mit klarer Präferenz):
| Vergleich | Ausgangsmaterial | Anteil Avatar 6 |
|---|---|---|
| gegen Wan 3.0 | Foto | 50,1 % (praktisch Gleichstand) |
| gegen Kling 4.0 | Videomaterial | 54,9 % |
| gegen Seedance 2.5 | Videomaterial | 72,4 % |
Unabhängiger ist die Avatar Arena von New Measure. Dort verglichen Videomacher zwei Videos mit demselben Skript, ohne zu wissen, von welchem Anbieter sie stammen, und in zufälliger Reihenfolge. Avatar 6 landete in beiden Kategorien auf Platz eins, mit einem Elo-Wert von 1.197 bei persönlichen Avataren und 1.237 bei Stock-Präsentatoren. Elo ist ein Punktesystem wie beim Schach, das aus vielen Einzelduellen eine Rangfolge errechnet; der Durchschnitt liegt hier bei 1.000. Gezählt wurden Stimmen vom 27. Oktober bis 16. November 2026.
New Measure schränkt die Aussagekraft allerdings selbst ein. Die Teilnehmenden hatten sich freiwillig gemeldet, das typische Skript war 62 Wörter lang, und in 97 Prozent der Vergleiche dauerten beide Videos höchstens 35 Sekunden. Über lange Videos und schwach getestete Sprachen sagen die Ergebnisse also nichts. Bei der Geschwindigkeit liegt HeyGen hinten: Persönliche Avatar-Videos brauchten typischerweise etwa drei Minuten, bei Runway GWM-1 Avatars rund eine Minute. Jedes zehnte HeyGen-Video dauerte sogar länger als neuneinhalb Minuten. Die Einrichtung des Avatars und die Vorbereitung der Sprache sind darin noch nicht enthalten.
API, Grenzen und Einwilligung
In der API heißen die Modelle heygen-avatar-6 und heygen-avatar-6-turbo. Die Standardauflösung ist dort 1080p, nicht 2K. Über die sogenannte Model API schickt man ein Referenzbild oder -video und eine Audiodatei. Die Application API startet dagegen von einem vorhandenen HeyGen-Avatar und einem Skript mit Stimme oder Audio. Dort funktioniert Avatar 6 bisher nur für Anfragen mit einem einzelnen Avatar. Rohbild-Jobs, Studio-Szenen, Stapelverarbeitung und Szenenbearbeitung sind ausgenommen. Wer kein Modell angibt, bekommt weiterhin das Vorgängermodell Avatar IV.
Bei Deepfake-Technik ist die Einwilligung der Personen entscheidend. HeyGen verlangt für einen Avatar aus Videomaterial, dass die Person vor der Kamera eine Einwilligungserklärung mit einem sitzungsspezifischen Einmalcode spricht. Das System prüft dann, ob diese Person mit der Person im Trainingsmaterial übereinstimmt. Fotoreferenzen dürfen alle API-Kunden nutzen, sofern die abgebildete Person zugestimmt hat. Realistische Videoreferenzen gibt es nur für Unternehmenskunden. Laut Dokumentation wird die Einwilligung für Videoreferenzen vor dem Absenden geprüft. Einige Verträge können nach Einzelfallprüfung aber ohne diesen Schritt auskommen. Laut Pressemitteilung dürfen Drittplattformen nur foto-basierte und virtuelle Avatare erzeugen. Realistische Videos echter Personen bleiben auf HeyGens eigener Plattform.
Zum Unternehmen nennt HeyGen eigene Zahlen: über 40 Millionen Nutzer in 196 Ländern, mehr als 118 Millionen erstellte Videos, Einsatz bei 85 Prozent der Fortune-100-Firmen und über 200 Millionen US-Dollar wiederkehrender Jahresumsatz (ARR) seit Juni. In einer eigenen Umfrage unter mehr als 1.000 Kleinunternehmern gaben 71,6 Prozent an, schon einmal ein Video für ihr Geschäft aufgenommen und dann doch nicht veröffentlicht zu haben. Genau diese Zielgruppe will HeyGen ansprechen.
Einordnung
Avatar 6 geht zwei bekannte Schwächen von KI-Avataren an: Bewegungen, die sich ständig wiederholen, und die Beschränkung auf kurze Clips. Für Firmen, die Schulungs-, Marketing- oder Erklärvideos in Serie produzieren, sind die Gesten passend zum Skript und vor allem die gezielte Nachbearbeitung einzelner Stellen ein echter Fortschritt. Der Blindtest von New Measure stützt HeyGens Anspruch, bei kurzen Clips führend zu sein.
Vieles beruht aber auf Herstellerangaben. Die Zahl „84 Prozent“ klingt eindrucksvoller, als sie ist: Tatsächlich hielten die Bewerber das KI-Video in 42,2 Prozent der direkten Vergleiche für echt. Die langen Demos von fast einer halben Stunde hat bisher niemand unabhängig geprüft, und der wichtigste Vergleich gegen Wan 3.0 endete praktisch unentschieden. Bei der Geschwindigkeit ist Runway deutlich schneller. Offen bleibt auch, wie streng die Einwilligungsprüfung tatsächlich ist, wenn Großkunden sie per Vertrag umgehen können. Je realistischer solche Doppelgänger werden, desto wichtiger wird diese Frage.
Quellen
- Unite.AI unite.ai
- finance.yahoo.com finance.yahoo.com
- goodmenproject.com goodmenproject.com
- prnewswire.com prnewswire.com
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.