Avatar IV es el motor de avatares de HeyGen que convierte una imagen fija en un video hablado expresivo. Su diseño de audio a expresión inspirado en difusión usa tono, ritmo y emoción vocales para guiar movimiento facial, inclinaciones de cabeza, pausas y microexpresiones. Busca un presentador o personaje que comunique contenido hablado con labios sincronizados y gestos, en lugar de generar un entorno y banda sonora completos desde una instrucción cinematográfica.
El fabricante describe compatibilidad con personajes realistas y estilizados, incluidas imágenes anguladas o de perfil, rostros de anime y mascotas. Los personajes de foto funcionan mejor con ojos, boca y estructura facial fáciles de identificar. HeyGen recomienda imagen clara, bien iluminada, postura natural y manos visibles cuando importen gestos. Un rostro diminuto, labios ocultos, máscaras grandes, pico pronunciado o proporciones muy exageradas pueden debilitar movimiento y sincronización. Mantén el encuadre adecuado para la interpretación.
El fabricante ofrece dos entradas de habla. Un guion escrito se combina con una voz elegida; una pista pregrabada aporta directamente voz y tiempos. Usa audio grabado si la interpretación ya está definida y guion si hay que sintetizar el habla. Son alternativas en la interfaz documentada. Prepara redacción, nombres y pronunciación finales antes de animar y conserva audio o guion junto con el video para comprobar lo dicho.
El perfil Avatar IV cubre avatares de estudio, Digital Twins, Photo Avatars, imágenes directas y sujetos creados por instrucciones. Un Photo Avatar reutilizable da un sujeto estable para futuros videos; un flujo de imagen directa parte de la foto aportada. El perfil Photo Avatar ofrece instrucciones de movimiento en texto libre y expresividad high, medium o low, con low por defecto. Conserva apariencia y motor elegidos en una serie para que otra imagen o modelo no cambien al presentador sin notarlo.
Para dirigir movimiento, describe una acción corporal visible y su cualidad emocional. «Asiente suavemente con una sonrisa cálida» da un gesto y una expresión; un saludo breve puede usar un movimiento amistoso de mano. El fabricante recomienda un gesto principal, opcionalmente con expresión facial, y no más de dos cláusulas cortas para una secuencia. Avatar IV gestiona el ritmo desde la interpretación, por lo que la guía de Studio no exige programar gestos segundo a segundo. Una redacción específica y breve se revisa mejor que acciones en competencia.
El perfil de audio a video renderiza hasta treinta minutos de audio por solicitud y los recursos MP3 o WAV cargados tienen límite de 32 MB. Para una lección o grabación larga, divide en límites coherentes del habla y conserva el orden. Los tiempos hablados finales deben seguir el audio elegido, no una estimación ajena de duración de clip.
Los ajustes documentados de salida incluyen 720p o 1080p y formas 16:9, 9:16, 4:5, 5:4 o 1:1, con opción automática que sigue proporciones fuente. El ajuste cover puede recortar al sujeto; contain lo muestra completo y puede dejar visible fondo alrededor. Audio a video devuelve MP4 por defecto. Para avatares de video, WebM transparente exige soporte de separación de fondo y el fabricante elimina el fondo para esa salida en vez de combinarlo con uno nuevo. Revisa encuadre y archivo antes de situar al presentador en una composición mayor.
Una introducción formativa puede usar imagen legible, explicación breve y un gesto moderado en la instrucción clave. Un explicador de producto puede conservar apariencia del avatar y cambiar guion para distintas funciones. El fabricante también documenta archivos opcionales de subtítulos y subtítulos incrustados; revisa redacción y tiempos junto al habla. El render es asíncrono, así que respuesta de creación y video completo son recursos distintos. Conserva grabación terminada y estado de finalización con el resultado de la tarea.
Avatar IV difiere del movimiento guiado por referencias y controles independientes predefinidos de Studio de Avatar V. También difiere de la generación general de escenas HeyGen Video y de una conversación interactiva de avatar en vivo. Revisa boca, manos visibles, expresión, pausas y palabras frente a fuente y tono previstos. Imagen, pose, luz e instrucciones afectan el resultado; revisa la animación de foto como interpretación generada, conservando entradas para revisiones.
", "aboutText": "Avatar IV es el motor de avatares de HeyGen que convierte una imagen fija en un video hablado expresivo. Su diseño de audio a expresión inspirado en difusión usa tono, ritmo y emoción vocales para guiar movimiento facial, inclinaciones de cabeza, pausas y microexpresiones. Busca un presentador o personaje que comunique contenido hablado con labios sincronizados y gestos, en lugar de generar un entorno y banda sonora completos desde una instrucción cinematográfica.\n\nEl fabricante describe compatibilidad con personajes realistas y estilizados, incluidas imágenes anguladas o de perfil, rostros de anime y mascotas. Los personajes de foto funcionan mejor con ojos, boca y estructura facial fáciles de identificar. HeyGen recomienda imagen clara, bien iluminada, postura natural y manos visibles cuando importen gestos. Un rostro diminuto, labios ocultos, máscaras grandes, pico pronunciado o proporciones muy exageradas pueden debilitar movimiento y sincronización. Mantén el encuadre adecuado para la interpretación.\n\nEl fabricante ofrece dos entradas de habla. Un guion escrito se combina con una voz elegida; una pista pregrabada aporta directamente voz y tiempos. Usa audio grabado si la interpretación ya está definida y guion si hay que sintetizar el habla. Son alternativas en la interfaz documentada. Prepara redacción, nombres y pronunciación finales antes de animar y conserva audio o guion junto con el video para comprobar lo dicho.\n\nEl perfil Avatar IV cubre avatares de estudio, Digital Twins, Photo Avatars, imágenes directas y sujetos creados por instrucciones. Un Photo Avatar reutilizable da un sujeto estable para futuros videos; un flujo de imagen directa parte de la foto aportada. El perfil Photo Avatar ofrece instrucciones de movimiento en texto libre y expresividad high, medium o low, con low por defecto. Conserva apariencia y motor elegidos en una serie para que otra imagen o modelo no cambien al presentador sin notarlo.\n\nPara dirigir movimiento, describe una acción corporal visible y su cualidad emocional. «Asiente suavemente con una sonrisa cálida» da un gesto y una expresión; un saludo breve puede usar un movimiento amistoso de mano. El fabricante recomienda un gesto principal, opcionalmente con expresión facial, y no más de dos cláusulas cortas para una secuencia. Avatar IV gestiona el ritmo desde la interpretación, por lo que la guía de Studio no exige programar gestos segundo a segundo. Una redacción específica y breve se revisa mejor que acciones en competencia.\n\nEl perfil de audio a video renderiza hasta treinta minutos de audio por solicitud y los recursos MP3 o WAV cargados tienen límite de 32 MB. Para una lección o grabación larga, divide en límites coherentes del habla y conserva el orden. Los tiempos hablados finales deben seguir el audio elegido, no una estimación ajena de duración de clip.\n\nLos ajustes documentados de salida incluyen 720p o 1080p y formas 16:9, 9:16, 4:5, 5:4 o 1:1, con opción automática que sigue proporciones fuente. El ajuste cover puede recortar al sujeto; contain lo muestra completo y puede dejar visible fondo alrededor. Audio a video devuelve MP4 por defecto. Para avatares de video, WebM transparente exige soporte de separación de fondo y el fabricante elimina el fondo para esa salida en vez de combinarlo con uno nuevo. Revisa encuadre y archivo antes de situar al presentador en una composición mayor.\n\nUna introducción formativa puede usar imagen legible, explicación breve y un gesto moderado en la instrucción clave. Un explicador de producto puede conservar apariencia del avatar y cambiar guion para distintas funciones. El fabricante también documenta archivos opcionales de subtítulos y subtítulos incrustados; revisa redacción y tiempos junto al habla. El render es asíncrono, así que respuesta de creación y video completo son recursos distintos. Conserva grabación terminada y estado de finalización con el resultado de la tarea.\n\nAvatar IV difiere del movimiento guiado por referencias y controles independientes predefinidos de Studio de Avatar V. También difiere de la generación general de escenas HeyGen Video y de una conversación interactiva de avatar en vivo. Revisa boca, manos visibles, expresión, pausas y palabras frente a fuente y tono previstos. Imagen, pose, luz e instrucciones afectan el resultado; revisa la animación de foto como interpretación generada, conservando entradas para revisiones.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b682dfb910a3792b1c3718a6c3ca3e0cb01f3300af4ff7d199a63b5056992abd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "heygen/avatar-ivAvatar IV anima una foto en un video hablado con sincronización labial, expresión facial y tiempos de gestos guiados por la voz. HeyGen documenta flujos con guion o audio grabado y controles de movimiento de Photo Avatar para presentadores realistas o estilizados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Avatar IV es el motor de avatares de HeyGen que convierte una imagen fija en un video hablado expresivo. Su diseño de audio a expresión inspirado en difusión usa tono, ritmo y emoción vocales para guiar movimiento facial, inclinaciones de cabeza, pausas y microexpresiones. Busca un presentador o personaje que comunique contenido hablado con labios sincronizados y gestos, en lugar de generar un entorno y banda sonora completos desde una instrucción cinematográfica.
El fabricante describe compatibilidad con personajes realistas y estilizados, incluidas imágenes anguladas o de perfil, rostros de anime y mascotas. Los personajes de foto funcionan mejor con ojos, boca y estructura facial fáciles de identificar. HeyGen recomienda imagen clara, bien iluminada, postura natural y manos visibles cuando importen gestos. Un rostro diminuto, labios ocultos, máscaras grandes, pico pronunciado o proporciones muy exageradas pueden debilitar movimiento y sincronización. Mantén el encuadre adecuado para la interpretación.
El fabricante ofrece dos entradas de habla. Un guion escrito se combina con una voz elegida; una pista pregrabada aporta directamente voz y tiempos. Usa audio grabado si la interpretación ya está definida y guion si hay que sintetizar el habla. Son alternativas en la interfaz documentada. Prepara redacción, nombres y pronunciación finales antes de animar y conserva audio o guion junto con el video para comprobar lo dicho.
El perfil Avatar IV cubre avatares de estudio, Digital Twins, Photo Avatars, imágenes directas y sujetos creados por instrucciones. Un Photo Avatar reutilizable da un sujeto estable para futuros videos; un flujo de imagen directa parte de la foto aportada. El perfil Photo Avatar ofrece instrucciones de movimiento en texto libre y expresividad high, medium o low, con low por defecto. Conserva apariencia y motor elegidos en una serie para que otra imagen o modelo no cambien al presentador sin notarlo.
Para dirigir movimiento, describe una acción corporal visible y su cualidad emocional. «Asiente suavemente con una sonrisa cálida» da un gesto y una expresión; un saludo breve puede usar un movimiento amistoso de mano. El fabricante recomienda un gesto principal, opcionalmente con expresión facial, y no más de dos cláusulas cortas para una secuencia. Avatar IV gestiona el ritmo desde la interpretación, por lo que la guía de Studio no exige programar gestos segundo a segundo. Una redacción específica y breve se revisa mejor que acciones en competencia.
El perfil de audio a video renderiza hasta treinta minutos de audio por solicitud y los recursos MP3 o WAV cargados tienen límite de 32 MB. Para una lección o grabación larga, divide en límites coherentes del habla y conserva el orden. Los tiempos hablados finales deben seguir el audio elegido, no una estimación ajena de duración de clip.
Los ajustes documentados de salida incluyen 720p o 1080p y formas 16:9, 9:16, 4:5, 5:4 o 1:1, con opción automática que sigue proporciones fuente. El ajuste cover puede recortar al sujeto; contain lo muestra completo y puede dejar visible fondo alrededor. Audio a video devuelve MP4 por defecto. Para avatares de video, WebM transparente exige soporte de separación de fondo y el fabricante elimina el fondo para esa salida en vez de combinarlo con uno nuevo. Revisa encuadre y archivo antes de situar al presentador en una composición mayor.
Una introducción formativa puede usar imagen legible, explicación breve y un gesto moderado en la instrucción clave. Un explicador de producto puede conservar apariencia del avatar y cambiar guion para distintas funciones. El fabricante también documenta archivos opcionales de subtítulos y subtítulos incrustados; revisa redacción y tiempos junto al habla. El render es asíncrono, así que respuesta de creación y video completo son recursos distintos. Conserva grabación terminada y estado de finalización con el resultado de la tarea.
Avatar IV difiere del movimiento guiado por referencias y controles independientes predefinidos de Studio de Avatar V. También difiere de la generación general de escenas HeyGen Video y de una conversación interactiva de avatar en vivo. Revisa boca, manos visibles, expresión, pausas y palabras frente a fuente y tono previstos. Imagen, pose, luz e instrucciones afectan el resultado; revisa la animación de foto como interpretación generada, conservando entradas para revisiones.
POST /v1/videostext, image, audio, videovideo| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites heygen/avatar-iv | Predeterminado— |
Campoinput_references | Tipoarray | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 2 Número máximo de elementos: 2 | Predeterminado— |
Campoprompt | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_references |
Parámetromaterial_types | Contratotext, image, audio, video |
Parámetromaterial_conditions | ContratoUsa URL reales de contenido de recursos multimedia completados que te pertenezcan, con las firmas devueltas: una fuente de video para BFL, o una imagen y una fuente de audio para un avatar. Se requiere la evidencia del propietario, tipo y bytes del recurso de origen., Proporciona exactamente una imagen PNG/JPEG y un recurso de audio WAV/MP3. El audio debe tener como máximo 32000000 bytes, con duración mayor que 0 y de como máximo 1800 segundos. |
Ciclo de vida: asynchronous_job_then_owned_outputs
GET /v1/videos/{request_id} · id o polling_url real devuelto
GET /v1/videos/{request_id}/content
Las tarifas mostradas permiten estimar el costo antes de la generación. El cargo final se calcula a partir del costo registrado para la generación original. La duración medida de la salida y las cantidades estimadas no son la cantidad facturable final.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad prevista | Unidad de facturación | Condiciones de facturación | Cargo |
|---|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad prevista— | Unidad de facturación— | Condiciones de facturación— | Cargo Entrada · Tokens de entrada · Estimación solo para comparar — / 1K tokens Salida · Tokens de salida · Estimación solo para comparar — / 1K tokens Entrada · Lectura de caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché, 1 hora · Estimación solo para comparar — / 1K tokens |
| ConfiguraciónPrecio del video | Tabla de tarifas— | Cantidad prevista— | Unidad de facturaciónpor segundo de video | Condiciones de facturaciónNo se declara ninguna condición adicional en esta clave de precios. | Cargo Salida · Precio del video · Estimación solo para comparar $0.1 por segundo de video |
| ConfiguraciónCosto estimado de generación | Tabla de tarifas— | Cantidad previstaestimación para una generación | Unidad de facturación— | Condiciones de facturación— | Cargo Salida · Costo estimado de generación · Estimación solo para comparar $0.1 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija por la generación completada. |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_REFERENCES_JSON:?Set the actual documented input value}"\nexport AILOOT_INPUT_REFERENCES_JSON\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'heygen/avatar-iv', 'input_references': '${ACTUAL_OWNED_INPUT_REFERENCES}'}\nrequest['input_references']=json.loads(os.environ['AILOOT_INPUT_REFERENCES_JSON'])\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/videos \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nGET /v1/videos/{request_id}GET /v1/videos/{request_id}/contentset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_STATUS_FILE:?Set the actual completed status JSON file}"\nexport AILOOT_STATUS_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nfrom urllib.parse import urlsplit,urljoin\nf=Path(os.environ["AILOOT_STATUS_FILE"])\nif not f.is_file():raise SystemExit("Choose the actual completed status file")\nr=json.loads(f.read_text())\nif r.get("status")!="completed" or not isinstance(r.get("data"),list) or not r["data"]:raise SystemExit("Wait for a completed status with asset paths")\nurls=[]\nfor x in r["data"]:\n if not isinstance(x,str) or "\\n" in x or "\\r" in x:raise SystemExit("Invalid asset path")\n u=urljoin("https://api.ailoot.ai",x)\n z=urlsplit(u)\n if z.scheme!="https" or z.netloc!="api.ailoot.ai" or z.username or z.password:raise SystemExit("Use the actual Ailoot asset paths from status")\n urls.append(u)\nPath("asset-urls.txt").write_text("\\n".join(urls)+"\\n")\nPY_REQUEST\nindex=0\nwhile IFS= read -r asset_url; do\n curl --fail-with-body --silent --show-error "$asset_url" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o "video-${index}.mp4"\n index=$((index + 1))\ndone < asset-urls.txt\nGuarda todos los videos completados o archivos recibidos; descarga cada URL de archivo que se haya devuelto.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva X-Client-Request-ID, X-Ailoot-Task-Id y el id/polling_url real devuelto. Continúa el trabajo original; no vuelvas a enviar la solicitud de creación.
| Campo | Tipo |
|---|---|
Campoid | Tipo |
Campostatus | Tipo |
Campodata[] | Tipo |
Campooutputs[] | Tipo |
Ailoot Ultra heygen/avatar-iv
Usa las rutas de método indicadas arriba.