HeyGen: HeyGen Video

HeyGen Video est le modèle généraliste de génération de scènes de HeyGen, identifié par le producteur sous le nom heygen-video-1. Il crée ensemble le sujet, le décor, la lumière et le son à partir d’un brief créatif. Chaque clip dure de 5 à 15 secondes et contient sa piste audio générée, notamment les dialogues, l’ambiance et les effets. Les entrées utiles à la production comprennent une description de scène, une photographie de produit ou des matériaux qui définissent une personne, un lieu ou un mouvement. Le fichier obtenu est une courte scène pour une présentation de produit, un insert d’accueil, une vue immobilière ou d’autres travaux de montage vidéo.

Trois modes donnent des rôles différents aux entrées. La génération à partir de texte crée une scène à partir du prompt. La génération à partir d’une image commence exactement sur l’image fournie, puis suit le brief pour l’action. La génération à partir de références utilise des images, des vidéos et éventuellement du son pour guider une scène nouvellement composée ; elle exige au moins une image ou une vidéo de référence. Choisissez une image de départ lorsque la composition d’ouverture doit correspondre à une image fixe, ou des références lorsqu’un objet connu doit apparaître dans une composition différente. Ce modèle de scène est distinct des moteurs de rendu d’avatars de HeyGen et du processus de composition Video Agent.

Le guide du producteur privilégie des consignes de plan détaillées et concrètes : un sujet, un lieu et une action circonscrite, avec une caméra fixe ou en mouvement doux. Décrivez la position de la caméra, l’objectif ou l’intention de profondeur de champ, la lumière, la texture des surfaces et le traitement des couleurs. Expliquez les points de contact entre les objets lorsqu’une action en dépend. Pour un exemple de produit, utilisez une photographie de référence d’une gourde de voyage et demandez qu’elle soit posée sur un comptoir en bois pendant qu’un présentateur parle à côté, avec un petit mouvement de caméra vers la gourde. Vérifiez sa forme, son emplacement et ses inscriptions visibles dans le résultat.

Les listes de références acceptent jusqu’à neuf images, trois vidéos et trois éléments audio, avec un maximum de douze références au total. Les images, vidéos et éléments audio sont numérotés séparément dans le format de prompt du producteur : la première image est <Picture 1> et la première vidéo <Video 1>. Donnez un rôle à chaque référence et identifiez-le explicitement dans le brief. Le modèle lit les cinq premières secondes de chaque vidéo de référence : préparez donc la partie pertinente au début. La référence API précise aussi des proportions de vidéo de référence comprises entre 1:4 et 4:1. Un long clip dont le mouvement souhaité n’apparaît qu’à la fin constitue une mauvaise préparation pour cette fenêtre d’entrée de cinq secondes.

L’interface de références documentée accepte une ressource HTTPS directement accessible, un identifiant de fichier téléversé ou des données base64 intégrées. Le guide indique des tailles maximales d’image de 16 Mo par URL et de 5 Mo en données intégrées ; une vidéo ou un élément audio peut atteindre 32 Mo par URL et 16 Mo en données intégrées. Préparez des sources lisibles où le sujet important se distingue facilement, sans consignes concurrentes entre les références. Conservez l’orientation souhaitée dans l’image initiale. Ces détails d’entrée concernent le processus de références du producteur et aident à organiser les matériaux créatifs pour le mode choisi.

Dirigez le son dans le même brief que l’image. Précisez le dialogue, l’interprétation vocale, l’ambiance de la pièce et les effets particuliers, notamment si un son doit être proche ou lointain. Indiquez le traitement musical souhaité lorsque la scène doit contenir uniquement de la parole et de l’ambiance. Le guide propose environ 2,5 mots parlés par seconde comme estimation de préparation : laissez donc de la place aux pauses et à l’action visible. Une courte introduction peut se préparer comme une réplique suivie d’un temps qui révèle le produit. Écoutez les mots réellement prononcés et vérifiez que le son généré correspond à l’espace et à l’action.

La durée de sortie se choisit en secondes entières de cinq à quinze, avec cinq secondes par défaut. La résolution est une classe de dimensions : 480p, 768p, 1080p ou 2k. Les choix de cadrage documentés sont 21:9, 16:9, 4:3, 1:1, 3:4 et 9:16. Pour la génération à partir de texte ou de références en 1080p ou 2k, sélectionnez 16:9 ou 9:16 ; le cadrage adaptatif des références est documenté en 480p et 768p. La génération à partir d’une image suit les proportions de la première image : recadrez-la donc avant la génération si le format demandé change. Vérifiez les dimensions réelles du résultat terminé, au lieu de supposer qu’une classe de dimensions implique une paire de dimensions conventionnelle en pixels.

Le guide du modèle précise une vidéo MP4 avec encodage d’image H.264 et son AAC à 32 kHz en stéréo. Une génération est traitée de manière asynchrone, et la tâche terminée fournit l’adresse de la vidéo lisible, sa durée et ses dimensions. Son adresse vidéo signée peut être renouvelée en consultant de nouveau la tâche. Conservez le clip lui-même, les références et le brief pour la revue de montage. Un enregistrement en attente ou en cours de traitement suit la génération ; la vidéo terminée est le livrable de production à évaluer pour l’image, la parole et le son.

Le producteur documente les choix d’amélioration du prompt turbo, quality et disabled ; disabled conserve la formulation préparée telle quelle. Un seed fixe est utile pour comparer le changement d’une proposition en conservant les autres entrées. Notez le seed et les réglages choisis avec le brief du plan. Pour les inscriptions à l’écran, gardez la phrase souhaitée courte et écrivez-la avec précision ; le guide recommande d’ajouter ensuite au montage les paragraphes, les petits caractères et les schémas annotés. Vérifiez chaque caractère visible d’un titre généré au lieu de supposer que le texte a été reproduit correctement.

Le guide identifie les longs textes à l’écran, les mouvements organiques souples comme ceux des pétales, du papier ou des cheveux, et les manipulations de mains en gros plan comme des domaines moins fiables. Pour une explication de procédure, laissez une réplique clairement écrite transmettre les étapes pendant que l’image montre une personne ou un objet stable ; utilisez des visuels vérifiés séparément lorsque l’opération physique elle-même doit être exacte. Examinez tout le plan pour la continuité des objets, les contacts, les détails du visage et des mains, le dialogue et le son. Une liste concise des changements à apporter à la prise suivante garde un brief de production détaillé utilisable.