HeyGen: HeyGen Video

HeyGen Video ist HeyGens universelles Modell zur Szenengenerierung, vom Hersteller als heygen-video-1 bezeichnet. Es erzeugt Motiv, Umgebung, Licht und Ton gemeinsam aus einem kreativen Briefing. Jeder Clip dauert 5–15 Sekunden und enthält seine generierte Tonspur mit Dialog, Atmosphäre und Effekten. Geeignete Eingaben sind eine Szenenbeschreibung, ein Produktfoto oder Material, das eine Person, einen Ort oder eine Bewegung festlegt. Das Ergebnis ist eine kurze Szene für eine Produktpräsentation, einen Onboarding-Einspieler, eine Immobilienansicht oder andere Videoschnittarbeit.

Drei Modi weisen den Eingaben unterschiedliche Rollen zu. Text-zu-Video erzeugt eine Szene aus dem Prompt. Bild-zu-Video beginnt genau mit dem bereitgestellten Bild und folgt danach dem Handlungsbriefing. Referenz-zu-Video nutzt Bilder, Videos und optional Ton für eine neu komponierte Szene; mindestens ein Referenzbild oder -video ist erforderlich. Wählen Sie ein Anfangsbild, wenn die Eröffnung einem Standbild entsprechen muss, oder Referenzen, wenn ein bekannter Gegenstand in einer anderen Komposition erscheinen soll. Dieses Szenenmodell unterscheidet sich von HeyGens Avatar-Rendering-Engines und dem Kompositionsablauf Video Agent.

Der Herstellerleitfaden bevorzugt detaillierte, konkrete Einstellungsanweisungen: ein Motiv, ein Ort und eine begrenzte Handlung mit fester oder sanft bewegter Kamera. Beschreiben Sie Kameraposition, Objektiv oder gewünschte Schärfentiefe, Licht, Oberflächentextur und Farbgestaltung. Erklären Sie Berührungspunkte, wenn eine Handlung von Kontakt abhängt. Verwenden Sie für ein eigenes Produktbeispiel ein Referenzfoto einer Thermosflasche und verlangen Sie, dass sie auf einer Holztheke steht, während eine präsentierende Person daneben spricht und sich die Kamera leicht auf die Flasche zubewegt. Prüfen Sie Form, Platzierung und sichtbare Kennzeichnungen der Flasche im Ergebnis.

Referenzlisten unterstützen bis zu neun Bilder, drei Videos und drei Tondateien bei insgesamt höchstens zwölf Referenzen. Bilder, Videos und Ton werden im Prompt-Format des Herstellers getrennt nummeriert: Das erste Bild ist <Picture 1>, das erste Video <Video 1>. Weisen Sie jeder Referenz eine Rolle zu und benennen Sie diese ausdrücklich im Briefing. Das Modell liest die ersten fünf Sekunden jedes Referenzvideos; platzieren Sie den relevanten Abschnitt daher an den Anfang. Die API-Referenz nennt zudem Referenzvideo-Seitenverhältnisse zwischen 1:4 und 4:1. Ein langer Clip, dessen gewünschte Bewegung erst am Ende vorkommt, ist für dieses fünfsekündige Eingabefenster schlecht vorbereitet.

Die dokumentierte Referenzschnittstelle akzeptiert eine direkt erreichbare HTTPS-Ressource, eine hochgeladene Dateikennung oder eingebettetes Base64. Der Leitfaden nennt maximale Bildgrößen von 16 MB per URL und 5 MB eingebettet; Video oder Ton dürfen per URL bis 32 MB und eingebettet bis 16 MB groß sein. Bereiten Sie gut lesbares Ausgangsmaterial vor, in dem das wichtige Motiv klar erkennbar ist und unterschiedliche Referenzen keine konkurrierenden Anweisungen geben. Behalten Sie die gewünschte Ausrichtung im Anfangsbild bei. Diese Eingabedetails betreffen den Referenzablauf des Herstellers und helfen, kreative Materialien für den gewählten Modus zu ordnen.

Steuern Sie den Ton im selben Briefing wie das Bild. Nennen Sie Dialog, stimmlichen Vortrag, Raumton und konkrete Effekte, einschließlich naher oder entfernter Geräusche. Legen Sie die gewünschte Musikgestaltung fest, wenn die Szene nur Sprache und Atmosphäre enthalten soll. Der Leitfaden schlägt als Planungsschätzung ungefähr 2,5 gesprochene Wörter pro Sekunde vor; lassen Sie daher Zeit für Pausen und sichtbare Handlung. Eine kurze Einführung kann als ein Satz mit anschließendem Moment zur Produktenthüllung geplant werden. Hören Sie auf die tatsächlichen Wörter und darauf, ob der generierte Ton zu Raum und Handlung passt.

Die Ausgabedauer wird in ganzen Sekunden von fünf bis fünfzehn gewählt; standardmäßig sind es fünf Sekunden. Die Auflösung ist eine Größenklasse: 480p, 768p, 1080p oder 2k. Dokumentierte Seitenverhältnisse sind 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16. Wählen Sie bei Text- und Referenz-zu-Video in 1080p oder 2k entweder 16:9 oder 9:16; adaptive Referenzformate sind für 480p und 768p dokumentiert. Bild-zu-Video folgt den Proportionen des ersten Bildes; schneiden Sie es vor der Generierung zu, wenn sich das benötigte Format ändert. Prüfen Sie die tatsächlichen Ergebnisabmessungen, statt aus einer Größenklassenbezeichnung ein übliches Pixelpaar abzuleiten.

Der Modellleitfaden nennt MP4-Video mit H.264-Bildkodierung und AAC-Ton in 32 kHz Stereo. Eine Generierung wird asynchron verarbeitet; der fertige Auftrag liefert die Adresse des abspielbaren Videos, Dauer und Abmessungen. Seine signierte Videoadresse kann durch erneuten Abruf des Auftrags aktualisiert werden. Bewahren Sie den tatsächlichen Clip, die Referenzen und das Briefing für die Schnittprüfung auf. Ein ausstehender oder laufender Datensatz verfolgt die Generierung; das fertige Video ist das Produktionsergebnis, dessen Bild, Sprache und Ton beurteilt werden.

Der Hersteller dokumentiert die Prompt-Verbesserungsoptionen turbo, quality und disabled; disabled behält die vorbereitete Formulierung unverändert bei. Ein fester Seed hilft beim Vergleich einer einzelnen geänderten Formulierung unter sonst gleichen Eingaben. Halten Sie Seed und Einstellungen mit dem Einstellungsbriefing fest. Halten Sie sichtbare Texte kurz und schreiben Sie sie genau; Absätze, Kleingedrucktes und beschriftete Diagramme sollen laut Leitfaden nachträglich eingesetzt werden. Prüfen Sie jedes sichtbare Zeichen eines generierten Titels, statt eine korrekte Wiedergabe anzunehmen.

Der Leitfaden nennt lange Bildschirmtexte, weiche organische Bewegungen wie Blütenblätter, Papier oder Haare sowie nahe Handmanipulationen als weniger zuverlässige Bereiche. Lassen Sie bei einer Ablaufserklärung einen klar formulierten Satz die Schritte vermitteln, während das Bild eine stabile Person oder einen Gegenstand zeigt; nutzen Sie separat geprüfte Bilder, wenn die physische Handlung selbst exakt sein muss. Prüfen Sie die ganze Einstellung auf Objektkontinuität, Kontakt, Gesichts- und Handdetails, Dialog und Ton. Eine knappe Liste der gewünschten Änderungen für die nächste Aufnahme hält ein detailliertes Produktionsbriefing praktikabel.