HeyGen: HeyGen Video

HeyGen Video to uniwersalny model generowania scen HeyGen, identyfikowany przez producenta jako heygen-video-1. Tworzy wspólnie podmiot, scenerię, światło i dźwięk z briefu twórczego. Każdy klip trwa 5–15 sekund i zawiera wygenerowaną ścieżkę audio, w tym dialog, atmosferę i efekty. Użyteczne wejścia produkcyjne obejmują opis sceny, fotografię produktu lub materiał ustanawiający osobę, miejsce bądź ruch. Powstały materiał jest krótką sceną do prezentacji produktu, wstawki wdrożeniowej, widoku nieruchomości lub innych montowanych filmów.

Trzy tryby nadają wejściom różne role. Text-to-video tworzy scenę z promptu. Image-to-video zaczyna dosłownie od dostarczonego obrazu, a następnie realizuje brief akcji. Reference-to-video używa dostarczonych obrazów, wideo i opcjonalnego audio do prowadzenia nowo skomponowanej sceny; wymaga co najmniej jednego obrazu lub filmu referencyjnego. Wybierz obraz pierwszej klatki, gdy kompozycja otwarcia musi odpowiadać obrazowi, albo referencje, gdy znany obiekt ma pojawić się w innej kompozycji. Ten model scen różni się od silników renderowania awatarów HeyGen i procesu kompozycji Video Agent.

Przewodnik producenta preferuje szczegółowe, konkretne wskazówki ujęć: jeden podmiot, jedno miejsce i jedno ograniczone działanie, z nieruchomą lub delikatnie poruszającą się kamerą. Opisz pozycję kamery, obiektyw lub zamysł głębi ostrości, światło, fakturę powierzchni i opracowanie koloru. Wyjaśnij miejsca kontaktu obiektów, gdy akcja zależy od dotyku. W oryginalnym przykładzie produktu użyj fotografii referencyjnej termosu podróżnego i poproś o jego ustawienie na drewnianym blacie, gdy prezenter mówi obok, z małym ruchem kamery ku termosowi. Sprawdź jego formę, położenie i widoczne oznaczenia w wyniku.

Listy referencji obsługują do dziewięciu obrazów, trzech filmów i trzech materiałów audio, maksymalnie dwanaście referencji łącznie. Obrazy, filmy i audio są numerowane osobno w formacie promptu producenta: pierwszy obraz to <Picture 1>, a pierwszy film <Video 1>. Nadaj każdej referencji rolę i określ ją jawnie w briefie. Model czyta pierwsze pięć sekund każdego filmu referencyjnego, więc przygotuj właściwy fragment na początku. Dokumentacja API określa też proporcje filmów referencyjnych od 1:4 do 4:1. Długi klip zawierający pożądany ruch dopiero na końcu jest źle przygotowany do tego pięciosekundowego okna wejścia.

Udokumentowany interfejs referencyjny przyjmuje bezpośrednio dostępny zasób HTTPS, identyfikator przesłanego materiału lub base64 w treści. Przewodnik wymienia maksymalny rozmiar obrazów 16 MB przez URL i 5 MB w treści; wideo lub audio może mieć do 32 MB przez URL i 16 MB w treści. Przygotuj czytelny materiał źródłowy z łatwym do rozróżnienia ważnym podmiotem i bez konkurujących instrukcji w różnych referencjach. Zachowaj zamierzoną orientację w obrazie pierwszej klatki. Te szczegóły wejścia dotyczą referencyjnego procesu producenta i pomagają uporządkować materiały twórcze do wybranego trybu.

Reżyseruj dźwięk w tym samym briefie co obraz. Podaj dialog, sposób wypowiedzi, dźwięki pomieszczenia i konkretne efekty, w tym ich bliskość lub oddalenie. Określ zamierzone opracowanie muzyki, gdy scena ma zawierać tylko mowę i atmosferę. Przewodnik sugeruje około 2,5 wypowiadanego słowa na sekundę jako szacunek planistyczny, więc pozostaw czas na pauzy i widoczną akcję. Krótkie wprowadzenie można zaplanować jako jedną kwestię, po której następuje moment ujawniający produkt. Odsłuchaj rzeczywiste słowa i dopasowanie wygenerowanego dźwięku do przestrzeni oraz akcji.

Długość wyjścia wybiera się w pełnych sekundach od pięciu do piętnastu, z pięcioma sekundami jako wartością domyślną. Rozdzielczość jest klasą rozmiaru: 480p, 768p, 1080p lub 2k. Udokumentowane wybory kadrowania to 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16. Dla text-to-video i reference-to-video w 1080p lub 2k wybierz 16:9 lub 9:16; adaptacyjne kadrowanie referencji jest udokumentowane w 480p i 768p. Image-to-video podąża za proporcjami pierwszego obrazu, więc przy zmianie wymaganego kształtu przytnij go przed generacją. Sprawdź rzeczywiste wymiary ukończonego wyniku, zamiast zakładać, że etykieta klasy rozmiaru oznacza jedną standardową parę pikseli.

Przewodnik modelu określa wideo MP4 z kodowaniem obrazu H.264 i audio AAC 32 kHz stereo. Generacja jest przetwarzana asynchronicznie, a ukończone zadanie dostarcza adres odtwarzalnego wideo, długość i wymiary. Podpisany adres wideo można odświeżyć, pobierając zadanie ponownie. Zachowaj rzeczywisty klip, materiały referencyjne i brief do oceny montażowej. Zapis oczekiwania lub przetwarzania śledzi generację; ukończony film jest materiałem produkcyjnym do oceny obrazu, mowy i dźwięku.

Producent dokumentuje wybory ulepszania promptu turbo, quality i disabled; disabled zachowuje przygotowany tekst bez zmian. Stały seed przydaje się do porównywania zmiany jednej klauzuli przy zachowaniu innych wejść. Zapisz wybrany seed i ustawienia wraz z briefem ujęcia. Dla liter na ekranie utrzymuj zamierzoną frazę krótką i zapisz ją dokładnie; przewodnik zaleca późniejszą kompozycję akapitów, drobnego druku i podpisanych diagramów. Sprawdzaj każdy widoczny znak wygenerowanego tytułu, zamiast zakładać poprawne odtworzenie słów.

Przewodnik wskazuje długi tekst ekranowy, miękki organiczny ruch płatków, papieru lub włosów i bliskie manipulacje dłoni jako mniej niezawodne obszary. W objaśnieniu procedury pozwól jasno napisanej kwestii przekazywać kroki, gdy obraz pokazuje stabilną osobę lub przedmiot; gdy sama operacja fizyczna musi być dokładna, używaj osobno zweryfikowanych wizualizacji. Oceń całe ujęcie pod kątem ciągłości obiektów, kontaktu, detali twarzy i dłoni, dialogu oraz dźwięku. Zwięzła lista zmian na następne wykonanie utrzymuje szczegółowy brief produkcyjny w praktycznej formie.