HeyGen: HeyGen Video

A HeyGen Video a HeyGen általános célú jelenetgeneráló modellje, amelyet a gyártó heygen-video-1 néven azonosít. Alkotói feladatleírásból együtt hozza létre az alanyt, helyszínt, fényt és hangot. Minden klip 5–15 másodperces, és tartalmazza generált hangsávját, párbeszéddel, atmoszférával és effektekkel együtt. Hasznos gyártási bemenet lehet jelenetleírás, termékfotó vagy személyt, helyet, mozgást rögzítő anyag. Az eredmény rövid jelenet termékbemutatóhoz, bevezető betéthez, ingatlannézethez vagy más szerkesztett videómunkához.

Három mód eltérő szerepet ad a bemeneteknek. A szöveg–videó a promptból készít jelenetet. A kép–videó szó szerint a megadott képen kezdődik, majd a cselekményben követi a feladatot. A referencia–videó megadott képekkel, videóval és opcionális hanggal irányít újonnan komponált jelenetet; legalább egy referenciaképet vagy videót igényel. Első képkockás képet válassz, ha a nyitókompozíciónak egyeznie kell egy állóképpel, referenciákat pedig akkor, ha ismert tárgynak eltérő kompozícióban kell megjelennie. Ez a jelenetmodell különbözik a HeyGen avatarrenderelő motorjaitól és Video Agent kompozíciós munkafolyamatától.

A gyártó útmutatója részletes, konkrét snittutasításokat részesít előnyben: egy alany, egy helyszín és egy körülhatárolt művelet, rögzített vagy finoman mozgó kamerával. Írd le a kamera helyét, objektívet vagy mélységélességi szándékot, fényt, felülettextúrát és színkezelést. Magyarázd el az érintkezési pontokat, ha a művelet érintkezéstől függ. Eredeti termékpéldához utazótermosz referenciafotóját használd, és kérd, hogy fa pulton álljon, miközben mellette műsorvezető beszél, kis kameramozgással a termosz felé. Az eredményben vizsgáld meg a termosz formáját, elhelyezését és látható jelöléseit.

A referencialisták legfeljebb kilenc képet, három videót és három hangelemet támogatnak, összesen legfeljebb tizenkét referenciával. A gyártó promptformátumában a képek, videók és hangok külön számozódnak: az első kép <Picture 1>, az első videó <Video 1>. Minden referenciának adj szerepet, és azt a feladatban kifejezetten azonosítsd. A modell minden referenciavideó első öt másodpercét olvassa, ezért a megfelelő részletet az elejére készítsd. Az API-referencia a referenciavideó arányait 1:4 és 4:1 közé teszi. Egy hosszú klip, amelynek csak a végén szerepel a kívánt mozgás, rossz előkészítés ehhez az öt másodperces bemeneti ablakhoz.

A dokumentált referenciafelület közvetlenül elérhető HTTPS-erőforrást, feltöltött anyagazonosítót vagy inline base64-et fogad. Az útmutató maximális képméretei URL-nél 16 MB, inline esetben 5 MB; videó vagy hang URL-nél legfeljebb 32 MB, inline esetben 16 MB lehet. Jól értelmezhető forrásanyagot készíts, könnyen megkülönböztethető fontos alannyal és a különböző referenciákban versengő utasítások nélkül. Az első képkockás képben tartsd meg a kívánt tájolást. Ezek a bemeneti részletek a gyártó referenciamunkafolyamatára vonatkoznak, és segítenek a kiválasztott módhoz szervezni az alkotói anyagokat.

A hangot a képpel azonos feladatban irányítsd. Add meg a párbeszédet, hangos előadást, szobahangot és konkrét effekteket, azt is, hogy egy hang közeli vagy távoli legyen-e. Add meg a kívánt zenekezelést, ha a jelenetnek csak beszédet és atmoszférát kell tartalmaznia. Az útmutató tervezési becslésként másodpercenként hozzávetőleg 2,5 kimondott szót javasol, ezért hagyj helyet szüneteknek és látható cselekménynek. Rövid bevezetés egy sorból, majd terméket feltáró mozzanatból tervezhető. Hallgasd meg a tényleges szavakat és azt, illik-e a generált hang a térhez és művelethez.

A kimeneti időtartam öt–tizenöt között egész másodpercekben választható, öt másodperces alapértékkel. A felbontás méretosztály: 480p, 768p, 1080p vagy 2k. A dokumentált kivágási lehetőségek 21:9, 16:9, 4:3, 1:1, 3:4 és 9:16. Szöveg–videóhoz és referencia–videóhoz 1080p vagy 2k esetén 16:9-et vagy 9:16-ot válassz; adaptív referenciakivágás 480p és 768p mellett dokumentált. A kép–videó az első kép arányait követi, ezért ha a kívánt alak változik, generálás előtt vágj. A kész eredmény tényleges méreteit ellenőrizd, ne feltételezd, hogy a méretosztály címkéje egy szokásos pixelpárt jelent.

A modellútmutató MP4-videót ad meg H.264 képkódolással és 32 kHz-es sztereó AAC-hanggal. A generálás feldolgozása aszinkron, a kész feladat pedig megadja a lejátszható videó helyét, időtartamát és méreteit. Aláírt videóhelye a feladat újbóli lekérésével frissíthető. A tényleges klipet, referenciaanyagokat és feladatleírást őrizd meg szerkesztési ellenőrzéshez. A függő vagy feldolgozási rekord a generálást követi; a kész videó a kép, beszéd és hang szerint értékelendő gyártási anyag.

A gyártó turbo, quality és disabled promptjavítási lehetőségeket dokumentál; a disabled változatlanul megtartja az előkészített megfogalmazást. Rögzített seed hasznos egyetlen tagmondat módosításának összehasonlításakor, a többi bemenet megtartásával. A választott seedet és beállításokat rögzítsd a snittfeladattal. Képernyőn megjelenő betűknél a kívánt fordulat legyen rövid és pontosan leírva; az útmutató a bekezdések, apró betűk és feliratozott ábrák utólagos kompozitálását ajánlja. A generált cím minden látható karakterét ellenőrizd, ne feltételezd a megfogalmazás helyes reprodukcióját.

Az útmutató a hosszú képernyőszöveget, a szirmok, papír vagy haj lágy organikus mozgását és a közeli kézzel végzett manipulációt kevésbé megbízható területként azonosítja. Eljárásmagyarázatnál világosan megírt sor közvetítse a lépéseket, míg a kép stabil személyt vagy tárgyat mutat; ha maga a fizikai művelet pontos kell legyen, külön ellenőrzött látványt használj. A teljes snittben ellenőrizd a tárgyfolytonosságot, érintkezést, arc- és kézrészleteket, párbeszédet és hangot. A következő felvételben megváltoztatandó elemek tömör listája praktikussá teszi a részletes gyártási feladatot.