HeyGen: HeyGen Video

HeyGen Video ist HeyGens universelles Modell zur Szenengenerierung, das der Hersteller als heygen-video-1 bezeichnet. Es erzeugt Motiv, Umgebung, Licht und Ton gemeinsam aus einem kreativen Briefing. Jeder Clip ist 5–15 Sekunden lang und enthält eine generierte Tonspur mit Dialog, Umgebungsgeräuschen und Effekten. Als hilfreiche Produktionsvorlagen dienen eine Szenenbeschreibung, ein Produktfoto oder Material, das eine Person, einen Ort oder eine Bewegung vorgibt. Das Ergebnis ist eine kurze Szene für eine Produktpräsentation, einen Einschub in ein Onboarding-Video, eine Immobilienansicht oder andere Videoschnittarbeiten.

Drei Modi weisen den Eingaben unterschiedliche Rollen zu. Text-to-Video erzeugt eine Szene anhand des Prompts. Image-to-Video beginnt exakt mit dem bereitgestellten Bild und folgt anschließend dem Briefing für die Handlung. Reference-to-Video verwendet bereitgestellte Bilder, Videos und optional Audiodateien, um eine neu komponierte Szene anzuleiten; dafür ist mindestens ein Referenzbild oder -video erforderlich. Wählen Sie ein Startbild, wenn die Eröffnungskomposition einer bestimmten Aufnahme 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 von Video Agent.

Der Leitfaden des Herstellers empfiehlt detaillierte, konkrete Anweisungen für die Einstellung: ein Motiv, ein Ort und eine in sich abgeschlossene Handlung mit einer festen oder sanft bewegten Kamera. Beschreiben Sie Kameraposition, Objektiv oder beabsichtigte Schärfentiefe, Licht, Oberflächentextur und Farbgestaltung. Erläutern Sie bei Handlungen mit Körper- oder Objektkontakt, wo sich die Objekte berühren. Für ein eigenständiges Produktbeispiel können Sie das Referenzfoto einer Thermosflasche verwenden und verlangen, dass sie auf einer Holztheke steht, während eine präsentierende Person daneben spricht und sich die Kamera leicht auf die Flasche zubewegt. Prüfen Sie im Ergebnis Form, Platzierung und sichtbare Kennzeichnungen der Flasche.

Referenzlisten unterstützen bis zu neun Bilder, drei Videos und drei Audiodateien, insgesamt jedoch höchstens zwölf Referenzen. Bilder, Videos und Audio werden im Prompt-Format des Herstellers getrennt nummeriert: Das erste Bild heißt <Picture 1>, das erste Video <Video 1>. Weisen Sie jeder Referenz eine Rolle zu und benennen Sie diese im Briefing ausdrücklich. Das Modell liest die ersten fünf Sekunden jedes Referenzvideos. Platzieren Sie den relevanten Abschnitt daher am Anfang. Die API-Referenz nennt außerdem Seitenverhältnisse von 1:4 bis 4:1 für Referenzvideos. Ein langer Clip, der die gewünschte Bewegung erst am Ende zeigt, ist für dieses fünfsekündige Eingabefenster schlecht vorbereitet.

Die dokumentierte Referenzschnittstelle akzeptiert eine direkt erreichbare HTTPS-Ressource, die Kennung eines hochgeladenen Assets oder inline eingebettete Base64-Daten. Der Leitfaden nennt maximale Bildgrößen von 16 MB per URL und 5 MB inline; Video- oder Audiodateien dürfen per URL bis zu 32 MB und inline bis zu 16 MB groß sein. Bereiten Sie gut erkennbares Ausgangsmaterial vor, in dem das wichtige Motiv leicht zu unterscheiden ist und verschiedene Referenzen keine widersprüchlichen Anweisungen enthalten. Behalten Sie im Startbild die gewünschte Ausrichtung bei. Diese Eingabedetails betreffen den Referenzablauf des Herstellers und helfen, das kreative Material für den gewählten Modus zu organisieren.

Beschreiben Sie den Ton im selben Briefing wie das Bild. Geben Sie Dialog, Sprechweise, Raumklang und konkrete Effekte an, einschließlich der Frage, ob ein Geräusch nah oder entfernt klingen soll. Legen Sie die gewünschte musikalische Gestaltung fest, wenn die Szene ausschließlich Sprache und Umgebungsgeräusche enthalten soll. Der Leitfaden empfiehlt als Planungswert ungefähr 2,5 gesprochene Wörter pro Sekunde. Lassen Sie deshalb Platz für Pausen und die sichtbare Handlung. Eine kurze Einführung lässt sich als ein Satz mit einer anschließenden Pause planen, in der das Produkt sichtbar wird. Hören Sie auf den tatsächlichen Wortlaut und darauf, ob der erzeugte Ton zu Raum und Handlung passt.

Die Ausgabedauer wird in ganzen Sekunden zwischen fünf und fünfzehn gewählt; standardmäßig beträgt sie 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 bei 1080p oder 2k entweder 16:9 oder 9:16; eine adaptive Anpassung an das Referenzformat ist für 480p und 768p dokumentiert. Image-to-Video übernimmt das Seitenverhältnis des ersten Bilds. Schneiden Sie es daher vor der Generierung zu, wenn ein anderes Format erforderlich ist. Prüfen Sie die tatsächlichen Abmessungen des fertigen Ergebnisses, statt anzunehmen, dass die Bezeichnung einer Größenklasse einem bestimmten üblichen Pixelpaar entspricht.

Der Modellleitfaden nennt MP4-Video mit H.264-Bildkodierung und AAC-Audio mit 32 kHz in Stereo. Eine Generierung wird asynchron verarbeitet; der abgeschlossene Auftrag liefert die Adresse des abspielbaren Videos sowie dessen Dauer und Abmessungen. Seine signierte Video-Adresse kann durch erneutes Abrufen des Auftrags aktualisiert werden. Bewahren Sie den eigentlichen Clip, die Referenzmaterialien und das Briefing für die Schnittprüfung auf. Ein Datensatz mit dem Status „pending“ oder „processing“ verfolgt die Generierung; das fertige Video ist das Produktionsartefakt, dessen Bild, Sprache und Ton zu beurteilen sind.

Der Hersteller dokumentiert die Optionen turbo, quality und disabled für die Prompt-Optimierung; disabled belässt die vorbereitete Formulierung unverändert. Ein fester Seed ist hilfreich, um die Änderung einer einzelnen Formulierung bei ansonsten gleichen Eingaben zu vergleichen. Halten Sie den gewählten Seed und die Einstellungen zusammen mit dem Einstellungsbriefing fest. Für Schrift im Bild sollten Sie die gewünschte Formulierung kurz halten und exakt buchstabieren. Der Leitfaden empfiehlt, Absätze, Kleingedrucktes und beschriftete Diagramme nachträglich einzufügen. Prüfen Sie bei einem generierten Titel jedes sichtbare Zeichen, statt eine korrekte Wiedergabe des Wortlauts vorauszusetzen.

Der Leitfaden nennt lange Bildschirmtexte, weiche organische Bewegungen von etwa Blütenblättern, Papier oder Haaren sowie detaillierte Handgriffe in Nahaufnahme als weniger zuverlässige Bereiche. Lassen Sie bei einer Verfahrensbeschreibung eine klar formulierte Zeile die Schritte vermitteln, während das Bild eine ruhig stehende Person oder ein stabiles Objekt zeigt. Verwenden Sie separat geprüfte Aufnahmen, wenn der körperliche Vorgang selbst exakt sein muss. Prüfen Sie die gesamte Einstellung auf Objektkontinuität, Kontakt, Gesichts- und Handdetails, Dialog und Ton. Eine knappe Liste der Änderungen für den nächsten Take hält ein ausführliches Produktionsbriefing praktikabel.