HeyGen: HeyGen Video

HeyGen Video er HeyGens generelle modell for scenegenerering, identifisert av produsenten som heygen-video-1. Den lager motiv, omgivelser, lys og lyd sammen fra en kreativ oppdragsbeskrivelse. Hvert klipp er 5–15 sekunder langt og inneholder sitt genererte lydspor, inkludert dialog, atmosfære og effekter. Nyttige produksjonsinndata omfatter en scenebeskrivelse, et produktfoto eller materiale som etablerer en person, et sted eller en bevegelse. Den resulterende ressursen er en kort scene til en produktpresentasjon, et introduksjonsinnklipp, en eiendomsvisning eller annet redigert videoarbeid.

Tre moduser gir inndataene forskjellige roller. Tekst-til-video lager en scene fra prompten. Bilde-til-video starter bokstavelig på det oppgitte bildet og følger deretter beskrivelsen av handlingen. Referanse-til-video bruker oppgitte bilder, video og valgfri lyd til å veilede en nykomponert scene; den krever minst ett referansebilde eller én referansevideo. Velg et førstebilde når åpningskomposisjonen må samsvare med et stillbilde, eller referanser når en kjent gjenstand skal vises i en annen komposisjon. Denne scenemodellen er forskjellig fra HeyGens avatar-rendringsmotorer og Video Agent-arbeidsflyten for komposisjon.

Produsentens veiledning foretrekker detaljerte, konkrete innstillingsinstruksjoner: ett motiv, ett sted og én avgrenset handling, med fast eller forsiktig bevegelig kamera. Beskriv kameraposisjon, objektiv eller ønsket dybdeskarphet, lys, overflatetekstur og fargebehandling. Forklar hvor gjenstander berører hverandre når en handling avhenger av kontakt. Til et opprinnelig produkteksempel bruker du et referansefoto av en termoflaske og ber om at den står på en trebenk mens en presentatør snakker ved siden av, med en liten kamerabevegelse mot flasken. Undersøk flaskens form, plassering og synlige merking i resultatet.

Referanselister støtter opptil ni bilder, tre videoer og tre lydelementer, med høyst tolv referanser totalt. Bilder, videoer og lyd nummereres separat i produsentens promptformat: første bilde er <Picture 1>, og første video er <Video 1>. Gi hver referanse en rolle og identifiser den eksplisitt i beskrivelsen. Modellen leser de første fem sekundene av hver referansevideo, så forbered den relevante delen i starten. API-referansen spesifiserer også sideforhold for referansevideo mellom 1:4 og 4:1. Et langt klipp der ønsket bevegelse først finnes helt på slutten, er dårlig forberedelse til dette inndatavinduet på fem sekunder.

Det dokumenterte referansegrensesnittet godtar en direkte tilgjengelig HTTPS-ressurs, en opplastet ressursidentifikator eller innebygd base64. Veiledningen oppgir maksimale bildestørrelser på 16 MB via URL og 5 MB innebygd; video eller lyd kan være opptil 32 MB via URL og 16 MB innebygd. Forbered lesbart kildemateriale der det viktige motivet er lett å skille ut, uten konkurrerende instruksjoner i forskjellige referanser. Behold ønsket orientering i førstebildet. Inndatadetaljene gjelder produsentens referansearbeidsflyt og hjelper med å organisere det kreative materialet til valgt modus.

Regisser lyd i samme beskrivelse som bildet. Angi dialog, stemmefremføring, rommets bakgrunnslyd og bestemte effekter, inkludert om en lyd skal være nær eller fjern. Spesifiser ønsket musikkbehandling når scenen bare skal inneholde tale og atmosfære. Veiledningen foreslår omtrent 2,5 talte ord per sekund som planleggingsanslag, så gi rom til pauser og synlig handling. En kort introduksjon kan planlegges som én replikk fulgt av et øyeblikk som avdekker produktet. Lytt etter de faktiske ordene og om generert lyd passer til rommet og handlingen.

Utdatavarighet velges i hele sekunder fra fem til femten, med fem sekunder som standard. Oppløsning er en størrelsesklasse: 480p, 768p, 1080p eller 2k. Dokumenterte utsnittsvalg er 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16. Til tekst- og referanse-til-video ved 1080p eller 2k velger du 16:9 eller 9:16; tilpasset referanseutsnitt er dokumentert ved 480p og 768p. Bilde-til-video følger førstebildets proporsjoner, så beskjær før generering når ønsket form endres. Gjennomgå det fullførte resultatets faktiske dimensjoner i stedet for å anta at en størrelsesklassebetegnelse innebærer ett vanlig pikselpar.

Modellveiledningen spesifiserer MP4-video med H.264-bildekoding og AAC-lyd ved 32 kHz stereo. En generering behandles asynkront, og den fullførte jobben gir avspillbar videoplassering, varighet og dimensjoner. Den signerte videoplasseringen kan fornyes ved å hente jobben på nytt. Bevar selve klippet, referansematerialet og beskrivelsen til en redigeringsgjennomgang. En post med status ventende eller under behandling sporer genereringen; den fullførte videoen er produksjonsresultatet som skal vurderes for bilde, tale og lyd.

Produsenten dokumenterer promptforbedringsvalgene turbo, quality og disabled; disabled beholder den forberedte ordlyden som skrevet. En fast seed er nyttig når endring av én setningsdel sammenlignes med øvrige inndata beholdt. Registrer valgt seed og innstillinger sammen med innstillingsbeskrivelsen. Til skrift på skjermen holder du ønsket frase kort og staver den presist; veiledningen anbefaler å kompositere avsnitt, liten skrift og merkede diagrammer i etterkant. Kontroller hvert synlig tegn i en generert tittel i stedet for å anta at ordlyden ble gjengitt riktig.

Veiledningen identifiserer lang tekst på skjermen, myke organiske bevegelser som kronblader, papir eller hår og nærbilder av hender som håndterer gjenstander som mindre pålitelige områder. Til en prosedyreforklaring lar du en tydelig skrevet replikk formidle stegene mens bildet viser en stabil person eller gjenstand; bruk separat verifiserte visualiseringer når den fysiske operasjonen må være eksakt. Gjennomgå hele innstillingen for objektkontinuitet, kontakt, ansikts- og hånddetaljer, dialog og lyd. En kort liste over hva som skal endres i neste tagning holder en detaljert produksjonsbeskrivelse praktisk.