HeyGen: HeyGen Video

HeyGen Video ist HeyGens universelles Szenengenerierungsmodell, das der Hersteller als heygen-video-1 bezeichnet. Es erstellt Motiv, Umgebung, Licht und Ton gemeinsam aus einem kreativen Briefing. Jeder Clip ist 5–15 Sekunden lang und enthält seine generierte Tonspur mit Dialog, Atmosphäre und Effekten. Nützliche Produktionseingaben sind eine Szenenbeschreibung, ein Produktfoto oder Material, das Person, Ort oder Bewegung festlegt. Das Ergebnis ist eine kurze Szene für eine Produktpräsentation, einen Onboarding-Einschub, eine Immobilienansicht oder andere geschnittene Videoarbeiten.

Drei Modi geben den Eingaben unterschiedliche Rollen. Text-to-Video erzeugt eine Szene aus dem Prompt. Image-to-Video beginnt wortwörtlich mit dem bereitgestellten Bild und folgt danach dem Handlungsbriefing. Reference-to-Video nutzt bereitgestellte Bilder, Videos und optional Ton, um eine neu komponierte Szene anzuleiten; mindestens ein Referenzbild oder -video ist erforderlich. Wählen Sie ein Erstbild, wenn die Eröffnungskomposition einem Standbild entsprechen muss, oder Referenzen, wenn ein bekanntes Objekt 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 feststehender oder sanft bewegter Kamera. Beschreiben Sie Kameraposition, Objektiv oder Schärfentiefe, Licht, Oberflächentextur und Farbgestaltung. Erklären Sie Berührungspunkte von Objekten, wenn eine Handlung von Kontakt abhängt. Verwenden Sie als eigenes Produktbeispiel ein Referenzfoto einer Thermosflasche und bitten Sie darum, sie auf einer Holztheke zu platzieren, während daneben eine moderierende Person spricht und die Kamera leicht zur Flasche fährt. Prüfen Sie Form, Platzierung und sichtbare Kennzeichnungen der Flasche im Ergebnis.

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

Die dokumentierte Referenzschnittstelle akzeptiert eine direkt zugängliche HTTPS-Ressource, eine Kennung eines hochgeladenen Assets oder Inline-Base64. Der Leitfaden nennt für Bilder maximal 16 MB per URL und 5 MB inline; Video oder Audio dürfen per URL bis 32 MB und inline bis 16 MB umfassen. Bereiten Sie gut lesbares Ausgangsmaterial vor, dessen wichtiges Motiv klar unterscheidbar ist, und vermeiden Sie konkurrierende Anweisungen in verschiedenen Referenzen. Behalten Sie die gewünschte Ausrichtung im Erstbild bei. Diese Eingabedetails betreffen den Referenzablauf des Herstellers und helfen, das kreative Material für den gewählten Modus zu ordnen.

Steuern Sie den Ton im selben Briefing wie das Bild. Nennen Sie Dialog, stimmliche Darbietung, Raumatmosphäre und konkrete Effekte sowie deren Nähe oder Entfernung. Legen Sie die gewünschte Musikgestaltung fest, wenn die Szene nur Sprache und Atmosphäre enthalten soll. Der Leitfaden empfiehlt als Planungswert ungefähr 2,5 gesprochene Wörter pro Sekunde; lassen Sie daher Raum für Pausen und sichtbare Handlung. Eine kurze Einführung lässt sich als ein Satz mit anschliessendem Moment zur Produktenthüllung planen. 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 fünf Sekunden. Die Auflösung ist eine Grössenklasse: 480p, 768p, 1080p oder 2k. Die dokumentierten Bildformate sind 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16. Wählen Sie für Text-to-Video und Reference-to-Video in 1080p oder 2k 16:9 oder 9:16; adaptive Referenzformate sind für 480p und 768p dokumentiert. Image-to-Video folgt den Proportionen des ersten Bildes; beschneiden Sie es daher vor der Generierung, wenn sich das benötigte Format ändert. Prüfen Sie die tatsächlichen Abmessungen des fertigen Ergebnisses, statt aus einer Grössenklasse ein bestimmtes konventionelles Pixelpaar abzuleiten.

Der Modellleitfaden spezifiziert MP4-Video mit H.264-Bildcodierung und AAC-Ton bei 32 kHz in Stereo. Eine Generierung wird asynchron verarbeitet; der abgeschlossene Auftrag liefert den abspielbaren Videospeicherort, Dauer und Abmessungen. Der signierte Videospeicherort lässt sich durch erneutes Abrufen des Auftrags aktualisieren. Bewahren Sie den tatsächlichen Clip, Referenzmaterial und Briefing für eine Schnittprüfung auf. Ein ausstehender oder laufender Status verfolgt die Generierung; das fertige Video ist das Produktionsergebnis, dessen Bild, Sprache und Ton geprüft werden.

Der Hersteller dokumentiert die Prompt-Verbesserungsoptionen turbo, quality und disabled; disabled erhält den vorbereiteten Wortlaut unverändert. Ein fester Seed hilft beim Vergleich einer Änderung an einem Satzteil unter Beibehaltung aller anderen Eingaben. Halten Sie Seed und Einstellungen mit dem Einstellungsbriefing fest. Halten Sie Bildschirmtext kurz und geben Sie die gewünschte Formulierung genau an; der Leitfaden empfiehlt, Absätze, Kleingedrucktes und beschriftete Diagramme nachträglich zu montieren. Prüfen Sie jedes sichtbare Zeichen eines generierten Titels, statt die korrekte Wiedergabe anzunehmen.

Der Leitfaden nennt langen Bildschirmtext, weiche organische Bewegung wie Blütenblätter, Papier oder Haare sowie Handmanipulationen in Nahaufnahme als weniger zuverlässige Bereiche. Lassen Sie bei einer Ablaufserklärung einen klar geschriebenen Satz die Schritte vermitteln, während das Bild eine stabile Person oder ein stabiles Objekt zeigt; verwenden Sie separat geprüfte Visualisierungen, wenn der physische Vorgang selbst exakt sein muss. Prüfen Sie die gesamte Einstellung auf Objektkontinuität, Kontakt, Gesichts- und Handdetails, Dialog und Ton. Eine knappe Liste der im nächsten Durchgang zu ändernden Punkte hält ein detailliertes Produktionsbriefing praktikabel.