HeyGen: HeyGen Video

HeyGen Video è il modello generalista di HeyGen per generare scene, identificato dal produttore come heygen-video-1. Crea insieme soggetto, ambientazione, luce e suono da un brief creativo. Ogni clip dura 5–15 secondi e contiene la propria traccia audio generata, compresi dialoghi, ambiente sonoro ed effetti. Gli input utili alla produzione comprendono una descrizione di scena, una fotografia di prodotto o materiale che definisce una persona, un luogo o un movimento. Il risultato è una breve scena per una presentazione di prodotto, un inserto introduttivo, una vista immobiliare o altri lavori di montaggio video.

Tre modalità assegnano ruoli diversi agli input. La generazione da testo crea una scena dal prompt. Quella da immagini inizia letteralmente dall’immagine fornita, poi segue il brief per l’azione. Quella da riferimenti usa immagini, video e audio facoltativo per guidare una scena composta ex novo; richiede almeno un’immagine o un video di riferimento. Scegli un’immagine di primo fotogramma quando la composizione iniziale deve corrispondere a un’immagine fissa, oppure riferimenti quando un oggetto noto deve comparire in una composizione diversa. Questo modello di scene è distinto dai motori di rendering di avatar di HeyGen e dal flusso di composizione Video Agent.

La guida del produttore privilegia indicazioni dettagliate e concrete per l’inquadratura: un soggetto, un luogo e un’azione circoscritta, con una camera ferma o in movimento delicato. Descrivi posizione della camera, obiettivo o intenzione di profondità di campo, luce, texture delle superfici e trattamento cromatico. Spiega dove gli oggetti si toccano quando un’azione dipende dal contatto. Per un esempio di prodotto, usa una fotografia di riferimento di una borraccia da viaggio e chiedi che sia su un bancone di legno mentre un presentatore parla accanto, con un piccolo movimento di camera verso la borraccia. Controllane forma, posizione e segni visibili nel risultato.

Gli elenchi di riferimenti supportano fino a nove immagini, tre video e tre elementi audio, con un massimo di dodici riferimenti in totale. Immagini, video e audio vengono numerati separatamente nel formato del prompt del produttore: la prima immagine è <Picture 1> e il primo video è <Video 1>. Assegna a ogni riferimento un ruolo e identificalo esplicitamente nel brief. Il modello legge i primi cinque secondi di ogni video di riferimento, quindi prepara la sezione pertinente all’inizio. Il riferimento API specifica inoltre proporzioni dei video di riferimento tra 1:4 e 4:1. Un clip lungo che contiene il movimento desiderato soltanto alla fine è una preparazione inadeguata per quella finestra di ingresso di cinque secondi.

L’interfaccia di riferimenti documentata accetta una risorsa HTTPS direttamente accessibile, un identificatore di risorsa caricata o dati base64 incorporati. La guida elenca dimensioni massime delle immagini di 16 MB tramite URL e 5 MB incorporati; video o audio possono raggiungere 32 MB tramite URL e 16 MB incorporati. Prepara materiale sorgente leggibile, con il soggetto importante facile da distinguere e senza istruzioni concorrenti nei diversi riferimenti. Mantieni l’orientamento previsto nell’immagine iniziale. Questi dettagli di ingresso riguardano il flusso di riferimenti del produttore e aiutano a organizzare i materiali creativi per la modalità selezionata.

Dirigi il suono nello stesso brief delle immagini. Specifica dialogo, interpretazione vocale, tono ambientale della stanza ed effetti precisi, compreso se un suono debba essere vicino o distante. Specifica il trattamento musicale previsto quando la scena deve contenere soltanto parlato e ambiente sonoro. La guida suggerisce circa 2,5 parole pronunciate al secondo come stima di pianificazione, quindi lascia spazio alle pause e all’azione visibile. Una breve introduzione può essere progettata come una battuta seguita da un momento che rivela il prodotto. Ascolta le parole effettive e verifica che il suono generato si adatti allo spazio e all’azione.

La durata di output si seleziona in secondi interi da cinque a quindici, con cinque secondi come valore predefinito. La risoluzione è una classe dimensionale: 480p, 768p, 1080p o 2k. Le scelte documentate di inquadratura sono 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16. Per la generazione da testo e riferimenti a 1080p o 2k, seleziona 16:9 o 9:16; l’inquadratura adattiva da riferimenti è documentata a 480p e 768p. La generazione da immagini segue le proporzioni della prima immagine, quindi ritaglia prima della generazione quando cambia il formato richiesto. Controlla le dimensioni effettive del risultato completato invece di presumere che l’etichetta di una classe dimensionale implichi una coppia convenzionale di dimensioni in pixel.

La guida del modello specifica video MP4 con codifica delle immagini H.264 e audio AAC a 32 kHz stereo. Una generazione viene elaborata in modo asincrono e il lavoro completato fornisce indirizzo del video riproducibile, durata e dimensioni. L’indirizzo firmato del video può essere aggiornato recuperando di nuovo il lavoro. Conserva il clip effettivo, i materiali di riferimento e il brief per il controllo del montaggio. Una registrazione in attesa o in elaborazione segue la generazione; il video completato è il risultato di produzione da valutare per immagini, parlato e suono.

Il produttore documenta le scelte di miglioramento del prompt turbo, quality e disabled; disabled mantiene la formulazione preparata così com’è. Un seed fisso è utile per confrontare una modifica a una proposizione mantenendo gli altri input. Registra seed e impostazioni scelti insieme al brief dell’inquadratura. Per le scritte sullo schermo, mantieni breve la frase desiderata e scrivila con precisione; la guida consiglia di aggiungere successivamente in compositing paragrafi, caratteri piccoli e diagrammi annotati. Controlla ogni carattere visibile in un titolo generato invece di presumere che il testo sia stato riprodotto correttamente.

La guida identifica testi lunghi sullo schermo, movimenti organici morbidi come quelli di petali, carta o capelli e manipolazioni delle mani ravvicinate come aree meno affidabili. Per una spiegazione procedurale, lascia che una battuta scritta chiaramente comunichi i passaggi mentre l’immagine mostra una persona o un oggetto stabile; usa visual verificati separatamente quando l’operazione fisica stessa deve essere esatta. Controlla l’intera inquadratura per continuità degli oggetti, contatti, dettagli del volto e delle mani, dialogo e suono. Un elenco conciso di ciò che deve cambiare nella ripresa successiva mantiene pratico un brief di produzione dettagliato.