HeyGen: HeyGen Video

HeyGen Video er HeyGens generelle scenegenereringsmodel, identificeret af producenten som heygen-video-1. Den skaber motiv, omgivelser, lys og lyd sammen ud fra en kreativ brief. Hvert klip er 5–15 sekunder langt og indeholder sit genererede lydspor, inklusive dialog, atmosfære og effekter. Nyttige produktionsinput omfatter en scenebeskrivelse, et produktfoto eller materiale, der etablerer en person, et sted eller en bevægelse. Det resulterende aktiv er en kort scene til en produktpræsentation, et onboardingindklip, en ejendomsvisning eller andet redigeret videoarbejde.

Tre tilstande giver inputtene forskellige roller. Tekst-til-video skaber en scene fra prompten. Billede-til-video starter bogstaveligt på det leverede billede og følger derefter briefen for handlingen. Reference-til-video bruger leverede billeder, video og valgfri lyd til at styre en nykomponeret scene; det kræver mindst ét referencebillede eller én referencevideo. Vælg et førstebillede, når åbningskompositionen skal matche et stillbillede, eller referencer, når en kendt genstand skal optræde i en anden komposition. Denne scenemodel adskiller sig fra HeyGens avatarrenderingsmotorer og Video Agent-kompositionsarbejdsgang.

Producentens vejledning foretrækker detaljerede, konkrete indstillingsanvisninger: ét motiv, ét sted og én afgrænset handling med et fast eller blidt bevægende kamera. Beskriv kameraposition, objektiv eller hensigt for dybdeskarphed, lys, overfladetekstur og farvebehandling. Forklar, hvor objekter berører hinanden, når en handling afhænger af kontakt. Til et oprindeligt produkteksempel kan du bruge et referencefoto af en termoflaske og bede om, at den står på en trædisk, mens en præsentationsvært taler ved siden af den, med en lille kamerabevægelse mod flasken. Undersøg flaskens form, placering og synlige markeringer i resultatet.

Referencelister understøtter op til ni billeder, tre videoer og tre lydemner med højst tolv referencer i alt. Billeder, videoer og lyd nummereres særskilt i producentens promptformat: det første billede er <Picture 1>, og den første video er <Video 1>. Giv hver reference en rolle, og identificer rollen eksplicit i briefen. Modellen læser de første fem sekunder af hver referencevideo, så forbered det relevante afsnit i begyndelsen. API-referencen angiver også referencevideoforhold mellem 1:4 og 4:1. Et langt klip, hvor den ønskede bevægelse først kommer til sidst, er dårlig forberedelse til dette inputvindue på fem sekunder.

Den dokumenterede referencegrænseflade accepterer en direkte tilgængelig HTTPS-ressource, en uploadet aktividentifikator eller inline base64. Vejledningen angiver maksimale billedstørrelser på 16 MB via URL og 5 MB inline; video eller lyd kan være op til 32 MB via URL og 16 MB inline. Forbered læsbart kildemateriale, hvor det vigtige motiv er let at skelne, og uden konkurrerende instruktioner i forskellige referencer. Behold den tilsigtede orientering i førstebilledet. Disse inputdetaljer vedrører producentens referencearbejdsgang og hjælper med at organisere de kreative materialer til den valgte tilstand.

Instruer lyd i samme brief som billedet. Angiv dialog, stemmefremførelse, rumlyd og konkrete effekter, herunder om en lyd skal være nær eller fjern. Angiv den ønskede musikbehandling, når scenen kun skal indeholde tale og atmosfære. Vejledningen foreslår cirka 2.5 talte ord pr. sekund som planlægningsestimat, så giv plads til pauser og den synlige handling. En kort introduktion kan planlægges som én replik efterfulgt af et øjeblik, der afslører produktet. Lyt efter de faktiske ord, og om den genererede lyd passer til rum og handling.

Outputvarighed vælges i hele sekunder fra fem til femten med fem sekunder som standard. Opløsning er en størrelsesklasse: 480p, 768p, 1080p eller 2k. De dokumenterede indramningsvalg er 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16. Til tekst- og reference-til-video ved 1080p eller 2k skal du vælge 16:9 eller 9:16; adaptiv referenceindramning er dokumenteret ved 480p og 768p. Billede-til-video følger det første billedes proportioner, så beskær før generering, når den ønskede form ændres. Gennemgå det færdige resultats faktiske dimensioner frem for at antage, at en størrelsesklassebetegnelse indebærer ét konventionelt pixelpar.

Modelvejledningen angiver MP4-video med H.264-billedkodning og AAC-lyd ved 32 kHz stereo. En generering behandles asynkront, og den færdige opgave leverer den afspillelige videoplacering, varighed og dimensioner. Den signerede videoplacering kan fornyes ved at hente opgaven igen. Gem selve klippet, referencematerialerne og briefen til redigeringsgennemgang. En afventende eller igangværende behandlingspost sporer genereringen; den færdige video er produktionsartefaktet, der skal vurderes for billede, tale og lyd.

Producenten dokumenterer promptforbedringsvalgene turbo, quality og disabled; disabled beholder den forberedte ordlyd, som den er skrevet. Et fast seed er nyttigt, når en ændring af én formulering sammenlignes, mens de øvrige input bevares. Registrer valgt seed og indstillinger sammen med indstillingsbriefen. Til bogstaver på skærmen skal en ønsket frase holdes kort og staves præcist; vejledningen anbefaler efterfølgende compositing af afsnit, småt tryk og mærkede diagrammer. Kontrollér hvert synligt tegn i en genereret titel frem for at antage, at ordlyden blev gengivet korrekt.

Vejledningen identificerer lang tekst på skærmen, bløde organiske bevægelser som kronblade, papir eller hår og tæt håndmanipulation som mindre pålidelige områder. Til en procedureforklaring skal en klart skrevet replik formidle trinnene, mens billedet viser en stabil person eller genstand; brug særskilt verificerede visualiseringer, når selve den fysiske operation skal være præcis. Gennemgå hele indstillingen for objektkontinuitet, kontakt, ansigts- og hånddetaljer, dialog og lyd. En kort liste over det, der skal ændres i næste optagelse, holder en detaljeret produktionsbrief praktisk.