Avatar IV es el motor de avatares de HeyGen para transformar una imagen fija en un vídeo hablado expresivo. Su diseño de audio a expresión, inspirado en difusión, utiliza el tono vocal, el ritmo y la emoción para orientar el movimiento facial, las inclinaciones de cabeza, las pausas y las microexpresiones. Su finalidad es que un presentador o personaje transmita contenido hablado con sincronización labial y gestos, en lugar de ser un generador general de escenas que crea todo un escenario y una banda sonora a partir de una instrucción cinematográfica.
El fabricante describe compatibilidad con personajes realistas y estilizados, incluidas imágenes en ángulo o de perfil, rostros de estilo anime y mascotas. Los personajes basados en fotografías funcionan mejor cuando sus ojos, boca y estructura facial son fáciles de identificar. HeyGen recomienda una imagen clara y bien iluminada, con postura natural y manos visibles cuando importen los gestos. Un rostro muy pequeño, labios ocultos, máscaras grandes, un pico pronunciado o proporciones muy exageradas pueden debilitar el movimiento facial y la sincronización labial. Mantenga el encuadre de origen adecuado para la interpretación prevista.
El fabricante proporciona dos vías de entrada de voz. Un guion escrito se empareja con una voz seleccionada; una pista de audio pregrabada aporta directamente la voz y la sincronización. Utilice la vía de audio grabado cuando la interpretación ya esté establecida y la vía de guion cuando la voz deba sintetizarse. Estas entradas son alternativas en la interfaz documentada. Prepare la redacción final, los nombres y la pronunciación antes de animar y conserve el audio o el guion junto al vídeo devuelto para comprobar el resultado hablado.
El perfil del modelo Avatar IV de HeyGen abarca avatares de estudio, Digital Twins, Photo Avatars, imágenes directas y sujetos creados mediante instrucciones. Un Photo Avatar reutilizable proporciona un sujeto estable para vídeos posteriores, mientras que un flujo de imagen directa parte de la imagen suministrada. El perfil Photo Avatar del fabricante ofrece instrucciones de movimiento en texto libre y opciones de expresividad high, medium o low, con low como valor predeterminado. Conserve el aspecto de avatar y el motor elegidos al crear una serie, para que una imagen de origen o modelo de renderizado diferentes no se conviertan en un cambio inadvertido del presentador.
Para dirigir el movimiento, describa una acción corporal visible y su cualidad emocional. «Asiente suavemente con una sonrisa cálida» aporta un gesto y una expresión; un saludo breve puede utilizar un movimiento amistoso de la mano. El fabricante recomienda un gesto principal, opcionalmente acompañado de una expresión facial, y no más de dos cláusulas breves para una secuencia. Avatar IV gestiona el ritmo a partir de la interpretación, por lo que la guía de Studio no exige un calendario de gestos segundo a segundo. Una redacción específica y concisa es más fácil de examinar que varias acciones enfrentadas en una instrucción.
El perfil de audio a vídeo del fabricante renderiza hasta treinta minutos de audio proporcionado por solicitud, y los recursos MP3 o WAV cargados tienen un límite de 32 MB. Para una lección o grabación más larga, divida el material en límites coherentes del habla y conserve el orden original. La sincronización hablada del vídeo final debe seguir el audio seleccionado, en lugar de una estimación ajena de duración de clip.
Los ajustes documentados de salida del fabricante incluyen 720p o 1080p y formas 16:9, 9:16, 4:5, 5:4 o 1:1, con una opción automática que sigue las proporciones de origen. El ajuste cover puede recortar el sujeto; contain encaja todo el sujeto y puede dejar visible fondo circundante. Su flujo de audio a vídeo devuelve MP4 de forma predeterminada. Para avatares de vídeo, la salida WebM transparente exige compatibilidad con extracción de máscara y el fabricante aplica eliminación de fondo para esa salida, en lugar de combinarla con un fondo nuevo. Examine el encuadre y el archivo reales antes de colocar al presentador en una composición mayor.
Una introducción formativa puede utilizar una imagen de presentador legible, una explicación concisa y un gesto contenido en la instrucción clave. Una explicación de producto puede conservar el mismo aspecto de avatar y cambiar el guion hablado para distintas funciones. El fabricante también documenta archivos opcionales de subtítulos y subtítulos incrustados en la imagen; revise su redacción y sincronización junto con la voz. El renderizado es asíncrono en la interfaz del fabricante, por lo que una respuesta de creación y el vídeo completado son recursos diferentes. Conserve la grabación terminada y su estado de finalización con el resultado de la tarea.
Avatar IV sigue siendo distinto del movimiento guiado por referencias de Avatar V y de sus controles independientes de preajustes de Studio. También es distinto de la generación de escenas de propósito general de HeyGen Video y de una conversación interactiva con un avatar en directo. Revise el movimiento de boca renderizado, las manos visibles, la expresión facial, las pausas y la redacción hablada frente al material de origen y el tono previsto. La imagen, la pose, la iluminación y las instrucciones de movimiento afectan al resultado; una animación basada en fotografía debe revisarse como una interpretación generada y conservar las entradas elegidas para revisiones posteriores.
", "aboutText": "Avatar IV es el motor de avatares de HeyGen para transformar una imagen fija en un vídeo hablado expresivo. Su diseño de audio a expresión, inspirado en difusión, utiliza el tono vocal, el ritmo y la emoción para orientar el movimiento facial, las inclinaciones de cabeza, las pausas y las microexpresiones. Su finalidad es que un presentador o personaje transmita contenido hablado con sincronización labial y gestos, en lugar de ser un generador general de escenas que crea todo un escenario y una banda sonora a partir de una instrucción cinematográfica.\n\nEl fabricante describe compatibilidad con personajes realistas y estilizados, incluidas imágenes en ángulo o de perfil, rostros de estilo anime y mascotas. Los personajes basados en fotografías funcionan mejor cuando sus ojos, boca y estructura facial son fáciles de identificar. HeyGen recomienda una imagen clara y bien iluminada, con postura natural y manos visibles cuando importen los gestos. Un rostro muy pequeño, labios ocultos, máscaras grandes, un pico pronunciado o proporciones muy exageradas pueden debilitar el movimiento facial y la sincronización labial. Mantenga el encuadre de origen adecuado para la interpretación prevista.\n\nEl fabricante proporciona dos vías de entrada de voz. Un guion escrito se empareja con una voz seleccionada; una pista de audio pregrabada aporta directamente la voz y la sincronización. Utilice la vía de audio grabado cuando la interpretación ya esté establecida y la vía de guion cuando la voz deba sintetizarse. Estas entradas son alternativas en la interfaz documentada. Prepare la redacción final, los nombres y la pronunciación antes de animar y conserve el audio o el guion junto al vídeo devuelto para comprobar el resultado hablado.\n\nEl perfil del modelo Avatar IV de HeyGen abarca avatares de estudio, Digital Twins, Photo Avatars, imágenes directas y sujetos creados mediante instrucciones. Un Photo Avatar reutilizable proporciona un sujeto estable para vídeos posteriores, mientras que un flujo de imagen directa parte de la imagen suministrada. El perfil Photo Avatar del fabricante ofrece instrucciones de movimiento en texto libre y opciones de expresividad high, medium o low, con low como valor predeterminado. Conserve el aspecto de avatar y el motor elegidos al crear una serie, para que una imagen de origen o modelo de renderizado diferentes no se conviertan en un cambio inadvertido del presentador.\n\nPara dirigir el movimiento, describa una acción corporal visible y su cualidad emocional. «Asiente suavemente con una sonrisa cálida» aporta un gesto y una expresión; un saludo breve puede utilizar un movimiento amistoso de la mano. El fabricante recomienda un gesto principal, opcionalmente acompañado de una expresión facial, y no más de dos cláusulas breves para una secuencia. Avatar IV gestiona el ritmo a partir de la interpretación, por lo que la guía de Studio no exige un calendario de gestos segundo a segundo. Una redacción específica y concisa es más fácil de examinar que varias acciones enfrentadas en una instrucción.\n\nEl perfil de audio a vídeo del fabricante renderiza hasta treinta minutos de audio proporcionado por solicitud, y los recursos MP3 o WAV cargados tienen un límite de 32 MB. Para una lección o grabación más larga, divida el material en límites coherentes del habla y conserve el orden original. La sincronización hablada del vídeo final debe seguir el audio seleccionado, en lugar de una estimación ajena de duración de clip.\n\nLos ajustes documentados de salida del fabricante incluyen 720p o 1080p y formas 16:9, 9:16, 4:5, 5:4 o 1:1, con una opción automática que sigue las proporciones de origen. El ajuste cover puede recortar el sujeto; contain encaja todo el sujeto y puede dejar visible fondo circundante. Su flujo de audio a vídeo devuelve MP4 de forma predeterminada. Para avatares de vídeo, la salida WebM transparente exige compatibilidad con extracción de máscara y el fabricante aplica eliminación de fondo para esa salida, en lugar de combinarla con un fondo nuevo. Examine el encuadre y el archivo reales antes de colocar al presentador en una composición mayor.\n\nUna introducción formativa puede utilizar una imagen de presentador legible, una explicación concisa y un gesto contenido en la instrucción clave. Una explicación de producto puede conservar el mismo aspecto de avatar y cambiar el guion hablado para distintas funciones. El fabricante también documenta archivos opcionales de subtítulos y subtítulos incrustados en la imagen; revise su redacción y sincronización junto con la voz. El renderizado es asíncrono en la interfaz del fabricante, por lo que una respuesta de creación y el vídeo completado son recursos diferentes. Conserve la grabación terminada y su estado de finalización con el resultado de la tarea.\n\nAvatar IV sigue siendo distinto del movimiento guiado por referencias de Avatar V y de sus controles independientes de preajustes de Studio. También es distinto de la generación de escenas de propósito general de HeyGen Video y de una conversación interactiva con un avatar en directo. Revise el movimiento de boca renderizado, las manos visibles, la expresión facial, las pausas y la redacción hablada frente al material de origen y el tono previsto. La imagen, la pose, la iluminación y las instrucciones de movimiento afectan al resultado; una animación basada en fotografía debe revisarse como una interpretación generada y conservar las entradas elegidas para revisiones posteriores.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4055c8c114b3e4d87b6437b1c8ce76e77d7f168da580a92e3abcac1d23e02097", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "heygen/avatar-ivAvatar IV anima una fotografía para convertirla en un vídeo hablado con sincronización labial, con expresión facial y ritmo 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 para transformar una imagen fija en un vídeo hablado expresivo. Su diseño de audio a expresión, inspirado en difusión, utiliza el tono vocal, el ritmo y la emoción para orientar el movimiento facial, las inclinaciones de cabeza, las pausas y las microexpresiones. Su finalidad es que un presentador o personaje transmita contenido hablado con sincronización labial y gestos, en lugar de ser un generador general de escenas que crea todo un escenario y una banda sonora a partir de una instrucción cinematográfica.
El fabricante describe compatibilidad con personajes realistas y estilizados, incluidas imágenes en ángulo o de perfil, rostros de estilo anime y mascotas. Los personajes basados en fotografías funcionan mejor cuando sus ojos, boca y estructura facial son fáciles de identificar. HeyGen recomienda una imagen clara y bien iluminada, con postura natural y manos visibles cuando importen los gestos. Un rostro muy pequeño, labios ocultos, máscaras grandes, un pico pronunciado o proporciones muy exageradas pueden debilitar el movimiento facial y la sincronización labial. Mantenga el encuadre de origen adecuado para la interpretación prevista.
El fabricante proporciona dos vías de entrada de voz. Un guion escrito se empareja con una voz seleccionada; una pista de audio pregrabada aporta directamente la voz y la sincronización. Utilice la vía de audio grabado cuando la interpretación ya esté establecida y la vía de guion cuando la voz deba sintetizarse. Estas entradas son alternativas en la interfaz documentada. Prepare la redacción final, los nombres y la pronunciación antes de animar y conserve el audio o el guion junto al vídeo devuelto para comprobar el resultado hablado.
El perfil del modelo Avatar IV de HeyGen abarca avatares de estudio, Digital Twins, Photo Avatars, imágenes directas y sujetos creados mediante instrucciones. Un Photo Avatar reutilizable proporciona un sujeto estable para vídeos posteriores, mientras que un flujo de imagen directa parte de la imagen suministrada. El perfil Photo Avatar del fabricante ofrece instrucciones de movimiento en texto libre y opciones de expresividad high, medium o low, con low como valor predeterminado. Conserve el aspecto de avatar y el motor elegidos al crear una serie, para que una imagen de origen o modelo de renderizado diferentes no se conviertan en un cambio inadvertido del presentador.
Para dirigir el movimiento, describa una acción corporal visible y su cualidad emocional. «Asiente suavemente con una sonrisa cálida» aporta un gesto y una expresión; un saludo breve puede utilizar un movimiento amistoso de la mano. El fabricante recomienda un gesto principal, opcionalmente acompañado de una expresión facial, y no más de dos cláusulas breves para una secuencia. Avatar IV gestiona el ritmo a partir de la interpretación, por lo que la guía de Studio no exige un calendario de gestos segundo a segundo. Una redacción específica y concisa es más fácil de examinar que varias acciones enfrentadas en una instrucción.
El perfil de audio a vídeo del fabricante renderiza hasta treinta minutos de audio proporcionado por solicitud, y los recursos MP3 o WAV cargados tienen un límite de 32 MB. Para una lección o grabación más larga, divida el material en límites coherentes del habla y conserve el orden original. La sincronización hablada del vídeo final debe seguir el audio seleccionado, en lugar de una estimación ajena de duración de clip.
Los ajustes documentados de salida del fabricante incluyen 720p o 1080p y formas 16:9, 9:16, 4:5, 5:4 o 1:1, con una opción automática que sigue las proporciones de origen. El ajuste cover puede recortar el sujeto; contain encaja todo el sujeto y puede dejar visible fondo circundante. Su flujo de audio a vídeo devuelve MP4 de forma predeterminada. Para avatares de vídeo, la salida WebM transparente exige compatibilidad con extracción de máscara y el fabricante aplica eliminación de fondo para esa salida, en lugar de combinarla con un fondo nuevo. Examine el encuadre y el archivo reales antes de colocar al presentador en una composición mayor.
Una introducción formativa puede utilizar una imagen de presentador legible, una explicación concisa y un gesto contenido en la instrucción clave. Una explicación de producto puede conservar el mismo aspecto de avatar y cambiar el guion hablado para distintas funciones. El fabricante también documenta archivos opcionales de subtítulos y subtítulos incrustados en la imagen; revise su redacción y sincronización junto con la voz. El renderizado es asíncrono en la interfaz del fabricante, por lo que una respuesta de creación y el vídeo completado son recursos diferentes. Conserve la grabación terminada y su estado de finalización con el resultado de la tarea.
Avatar IV sigue siendo distinto del movimiento guiado por referencias de Avatar V y de sus controles independientes de preajustes de Studio. También es distinto de la generación de escenas de propósito general de HeyGen Video y de una conversación interactiva con un avatar en directo. Revise el movimiento de boca renderizado, las manos visibles, la expresión facial, las pausas y la redacción hablada frente al material de origen y el tono previsto. La imagen, la pose, la iluminación y las instrucciones de movimiento afectan al resultado; una animación basada en fotografía debe revisarse como una interpretación generada y conservar las entradas elegidas para revisiones posteriores.
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 las URL de contenido reales de los recursos de medios completados bajo tu titularidad, con las firmas devueltas: una fuente de vídeo para BFL, o una fuente de imagen y otra de audio para el avatar. Se requiere la comprobación de titularidad, tipo y bytes definida en el código fuente., Proporciona exactamente una imagen PNG/JPEG y un recurso de audio WAV/MP3. El audio no puede superar los 32000000 bytes, y su duración debe ser mayor que 0 y como máximo de 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 estiman el coste antes de la generación. El cargo final se calcula a partir del coste registrado para la generación original. La duración medida del resultado y las cantidades previstas no constituyen 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 vídeo | Tabla de tarifas— | Cantidad prevista— | Unidad de facturaciónpor segundo de vídeo | Condiciones de facturaciónNo se declara ninguna condición adicional en esta clave de precios. | Cargo Salida · Precio del vídeo · Estimación solo para comparar $0.1 por segundo de vídeo |
| ConfiguraciónCoste estimado de generación | Tabla de tarifas— | Cantidad previstaestimación para una generación | Unidad de facturación— | Condiciones de facturación— | Cargo Salida · Coste estimado de generación · Estimación solo para comparar $0.1 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija para la generación completada. |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 vídeos completados o archivos recibidos; descarga cada URL de archivo que se haya devuelto.
Conserva la respuesta completa y las cabeceras, 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 los valores reales devueltos de id/polling_url. 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.