HeyGen: HeyGen Video

HeyGen Video es el modelo de generación de escenas de propósito general de HeyGen, identificado por el fabricante como heygen-video-1. Crea conjuntamente el sujeto, el escenario, la luz y el sonido a partir de un encargo creativo. Cada clip dura 5–15 segundos y contiene su pista de audio generada, incluidos diálogo, ambiente y efectos. Las entradas útiles de producción incluyen una descripción de escena, una fotografía de producto o material que establece una persona, un lugar o un movimiento. El recurso resultante es una escena breve para una presentación de producto, un inserto de incorporación de usuarios, una vista de inmueble u otro trabajo de vídeo editado.

Tres modos asignan funciones diferentes a las entradas. Texto a vídeo crea una escena a partir de la instrucción. Imagen a vídeo comienza literalmente en la imagen suministrada y después sigue el encargo para la acción. Referencia a vídeo utiliza imágenes, vídeo y audio opcional proporcionados para orientar una escena recién compuesta; exige al menos una imagen o un vídeo de referencia. Elija una imagen de primer fotograma cuando la composición de apertura deba coincidir con una imagen fija, o referencias cuando un objeto conocido deba aparecer en otra composición. Este modelo de escenas es distinto de los motores de renderizado de avatares de HeyGen y del flujo de composición Video Agent.

La guía del fabricante favorece indicaciones de plano detalladas y concretas: un sujeto, una localización y una acción acotada, con cámara fija o de movimiento suave. Describa la posición de cámara, la intención de lente o profundidad de campo, la luz, la textura de las superficies y el tratamiento de color. Explique dónde se tocan los objetos cuando una acción depende del contacto. Para un ejemplo original de producto, utilice una fotografía de referencia de un termo de viaje y pida que esté sobre una encimera de madera mientras un presentador habla a su lado, con un pequeño movimiento de cámara hacia el termo. Examine la forma, la posición y las marcas visibles del termo en el resultado.

Las listas de referencias admiten hasta nueve imágenes, tres vídeos y tres elementos de audio, con un máximo de doce referencias en total. Las imágenes, los vídeos y el audio se numeran por separado en el formato de instrucciones del fabricante: la primera imagen es <Picture 1> y el primer vídeo es <Video 1>. Asigne a cada referencia una función e identifíquela explícitamente en el encargo. El modelo lee los primeros cinco segundos de cada vídeo de referencia, por lo que debe preparar la sección pertinente al principio. La referencia de API también especifica proporciones de vídeo de referencia entre 1:4 y 4:1. Un clip largo que contiene el movimiento deseado solo al final es una mala preparación para esa ventana de entrada de cinco segundos.

La interfaz documentada de referencias acepta un recurso HTTPS directamente accesible, un identificador de recurso cargado o base64 insertado. La guía enumera tamaños máximos de imagen de 16 MB mediante URL y 5 MB insertados; el vídeo o audio pueden llegar a 32 MB mediante URL y 16 MB insertados. Prepare material de origen legible, con el sujeto importante fácil de distinguir y sin instrucciones enfrentadas entre referencias diferentes. Mantenga la orientación prevista en la imagen de primer fotograma. Estos detalles de entrada corresponden al flujo de referencias del fabricante y ayudan a organizar los materiales creativos para el modo seleccionado.

Dirija el sonido en el mismo encargo que la imagen. Indique el diálogo, la interpretación vocal, el ambiente de habitación y los efectos específicos, incluido si un sonido debe estar cerca o lejos. Especifique el tratamiento musical previsto cuando la escena deba contener solo voz y ambiente. La guía sugiere prever aproximadamente 2.5 palabras habladas por segundo como estimación de planificación, por lo que debe dejar espacio para pausas y acción visible. Una introducción breve puede planificarse como una frase seguida de un momento que revele el producto. Escuche las palabras reales y compruebe si el sonido generado encaja con el espacio y la acción.

La duración de salida se selecciona en segundos enteros de cinco a quince, con cinco segundos como valor predeterminado. La resolución es una clase de tamaño: 480p, 768p, 1080p o 2k. Las opciones documentadas de encuadre son 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16. Para texto y referencia a vídeo a 1080p o 2k, seleccione 16:9 o 9:16; el encuadre adaptable de referencias está documentado a 480p y 768p. Imagen a vídeo sigue las proporciones de la primera imagen, por lo que debe recortar antes de generar cuando cambie la forma requerida. Revise las dimensiones reales del resultado completado, en lugar de asumir que una etiqueta de clase de tamaño implica una pareja convencional de píxeles.

La guía del modelo especifica vídeo MP4 con codificación de imagen H.264 y audio AAC a 32 kHz estéreo. Una generación se procesa de forma asíncrona y la tarea completada proporciona la ubicación del vídeo reproducible, la duración y las dimensiones. Su ubicación firmada de vídeo puede renovarse recuperando de nuevo la tarea. Conserve el clip real, los materiales de referencia y el encargo para una revisión de edición. Un registro pendiente o en procesamiento permite seguir la generación; el vídeo completado es el recurso de producción que se evalúa por imagen, voz y sonido.

El fabricante documenta opciones de mejora de instrucciones turbo, quality y disabled; disabled mantiene la redacción preparada tal como está escrita. Una semilla fija es útil al comparar un cambio en una cláusula manteniendo las demás entradas. Registre la semilla y los ajustes elegidos con el encargo del plano. Para letras en pantalla, mantenga breve una frase prevista y escríbala con precisión; la guía recomienda componer después los párrafos, la letra pequeña y los diagramas etiquetados. Compruebe cada carácter visible de un título generado, en lugar de asumir que las palabras se reprodujeron correctamente.

La guía identifica como áreas menos fiables el texto largo en pantalla, el movimiento orgánico suave de pétalos, papel o cabello y la manipulación cercana con manos. Para explicar un procedimiento, deje que una frase claramente escrita comunique los pasos mientras la imagen muestra una persona u objeto estable; utilice imágenes verificadas por separado cuando la propia operación física deba ser exacta. Revise todo el plano para comprobar continuidad de objetos, contacto, detalle de rostros y manos, diálogo y sonido. Una lista concisa de lo que debe cambiar en la siguiente toma mantiene práctico un encargo de producción detallado.