以数字人闻名的 HeyGen 推出了通用视频模型 HeyGen Video，API 模型 ID 为 heygen-video-1。官方博客于 10 月 21 日发布公告，10 月 22 日更新。它不再只是让数字人开口，而是根据文字描述生成人物、场景、光线和声音。

基于 MiniMax H3

HeyGen 开发者文档的原话是："built on MiniMax H3 and post-trained by HeyGen"，即底座来自 MiniMax H3，由 HeyGen 做后训练，并非完全自研。MiniMax 近期的动态可参考 MiniMax M3.1 Flash 发布。

官方介绍的能力

据 HeyGen 介绍，每段视频时长 5 到 15 秒，分辨率可选 480p、768p、1080p 或 2K。HeyGen 称画面和声音在同一次生成中产出，每段自带对白、环境音和音效，不需要单独配音或对口型。输出为 24 fps 的 MP4（H.264），音频为 AAC 立体声。时长设为 auto 时，模型会按台词在 5 到 15 秒之间自动定长。

共有三种模式：

  • 文生视频：只给提示词。
  • 图生视频：提示词加一张图，图片就是视频的第一帧。
  • 参考生视频（API 默认模式）：提示词加图片、视频或音频，生成新场景，同时保留你提供的产品、人物或地点。

与 Avatar V 的区别

文档说得很直接：数字人引擎是让你已有的形象按你写好的脚本来演（animate a look you already own from a script you already wrote），而 HeyGen Video 是根据描述一次性生成人物、场景、光线和声音。HeyGen 建议两者搭配：Avatar V 负责讲内容，HeyGen Video 负责片头、产品镜头和空镜。

参考素材怎么控制人物和场景

参考生视频最多可提供 9 张图片、3 段视频和 3 段音频，总数不超过 12 个。列表顺序就是提示词里的标签：第一张图是 Picture 1，第一段视频是 Video 1，各类型分别编号。每段参考视频只读取前 5 秒，官方建议上传前先剪出想让模型参照的部分。HeyGen 称这样提供的产品照片，颜色、外形和标识都能保留到画面里。同类做法可对比 用 Kling 4.0 关键帧和参考素材导演一个镜头。

官方承认的短板

文档称模型最擅长单一主体、单一地点、单一动作、机位固定或几乎不动的短镜头；最不稳定的是长段画面文字、花瓣纸张头发这类柔软的运动，以及组装、操作设备等精细手部动作。目前所见的视频都是官方演示，我们尚未实测，也无法保证人物和物体在每段视频里都不变形。

开放范围与价格

HeyGen 称模型已通过 HeyGen API 和 Creative Studio 开放。API 仅限付费 API key 使用，1080p 和 2K 按 768p 价格的 3 倍计费，但博客和文档都没有列出具体单价。Creative Studio 哪些套餐可用、开放哪些地区，官方尚未公布。

来源

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