以數位人聞名的 HeyGen 推出了通用影片模型 HeyGen Video，API 模型 ID 為 heygen-video-1。官方部落格於 10 月 21 日發布公告，10 月 22 日更新。它不再只是讓數位人開口，而是根據文字描述生成人物、場景、光線和聲音。

基於 MiniMax H3

HeyGen 開發者文件的原話是："built on MiniMax H3 and post-trained by HeyGen"，即底座來自 MiniMax H3，由 HeyGen 做後訓練，並非完全自研。MiniMax 近期的動態可參考 MiniMax M3.1 Flash 發布。

官方介紹的能力

據 HeyGen 介紹，每段影片長 5 到 15 秒，解析度可選 480p、768p、1080p 或 2K。HeyGen 稱畫面和聲音在同一次生成中產出，每段自帶對白、環境音和音效，不需要另外配音或對嘴型。輸出為 24 fps 的 MP4（H.264），音訊為 AAC 立體聲。時長設為 auto 時，模型會依台詞在 5 到 15 秒之間自動定長。

共有三種模式：

  • 文字生影片：只給提示詞。
  • 圖片生影片：提示詞加一張圖，圖片就是影片的第一個畫面。
  • 參考生影片（API 預設模式）：提示詞加圖片、影片或音訊，生成新場景，同時保留你提供的產品、人物或地點。

與 Avatar V 的區別

文件說得很直接：數位人引擎是讓你已有的形象照你寫好的腳本來演（animate a look you already own from a script you already wrote），而 HeyGen Video 是根據描述一次生成人物、場景、光線和聲音。HeyGen 建議兩者搭配：Avatar V 負責講內容，HeyGen Video 負責片頭、產品鏡頭和空鏡。

參考素材如何控制人物和場景

參考生影片最多可提供 9 張圖片、3 段影片和 3 段音訊，總數不超過 12 個。清單順序就是提示詞裡的標籤：第一張圖是 Picture 1，第一段影片是 Video 1，各類型分別編號。每段參考影片只讀取前 5 秒，官方建議上傳前先剪出想讓模型參照的部分。HeyGen 稱這樣提供的產品照片，顏色、外形和標誌都能保留到畫面裡。同類做法可對照 用 Kling 4.0 關鍵影格和參考素材導演一個鏡頭。

官方承認的弱點

文件稱模型最擅長單一主體、單一地點、單一動作、鏡頭固定或幾乎不動的短鏡頭；最不穩定的是長段畫面文字、花瓣紙張頭髮這類柔軟的運動，以及組裝、操作設備等精細手部動作。目前所見的影片都是官方示範，我們尚未實測，也無法保證人物和物體在每段影片裡都不變形。

開放範圍與價格

HeyGen 稱模型已透過 HeyGen API 和 Creative Studio 開放。API 僅限付費 API key 使用，1080p 和 2K 按 768p 價格的 3 倍計費，但部落格和文件都沒有列出具體單價。Creative Studio 哪些方案可用、開放哪些地區，官方尚未公布。

來源

  • HeyGen Blog: Announcing HeyGen Video
  • HeyGen Developer Docs: HeyGen Video