Avatar IV é o motor de avatares da HeyGen que transforma uma imagem fixa num vídeo falado expressivo. A sua conceção de conversão de áudio em expressão, inspirada na difusão, utiliza o tom, o ritmo e a emoção da voz para orientar movimentos faciais, inclinações da cabeça, pausas e microexpressões. O objetivo é um apresentador ou uma personagem que transmite conteúdo falado com sincronização labial e gestos, em vez de um gerador de cenas de uso geral que cria todo um cenário e uma banda sonora a partir de uma instrução cinematográfica.
O fabricante descreve suporte para personagens realistas e estilizadas, incluindo imagens de ângulo oblíquo ou de perfil, rostos de estilo anime e animais de estimação. As personagens baseadas em fotografias funcionam melhor quando os olhos, a boca e a estrutura facial são fáceis de identificar. A HeyGen recomenda uma imagem nítida e bem iluminada, com uma postura natural e as mãos visíveis quando os gestos são importantes. Um rosto muito pequeno, lábios escondidos, máscaras espessas, um bico pronunciado ou proporções muito exageradas podem prejudicar o movimento facial e a sincronização labial. Mantenha o enquadramento de origem adequado à interpretação pretendida.
O produtor disponibiliza duas vias de entrada de fala. Um guião escrito é associado a uma voz selecionada; uma faixa de áudio previamente gravada fornece diretamente a voz e o ritmo temporal. Utilize a via de áudio gravado quando a interpretação já estiver definida e a via de guião quando a fala tiver de ser sintetizada. Estas entradas são alternativas na interface documentada. Prepare a redação definitiva, os nomes e a pronúncia antes da animação e preserve o áudio ou o guião com o vídeo devolvido, para que o resultado falado possa ser verificado.
O perfil do modelo Avatar IV da HeyGen abrange avatares de estúdio, Digital Twins, Photo Avatars, imagens diretas e sujeitos criados por instrução. Um Photo Avatar reutilizável fornece um sujeito estável para vídeos posteriores, enquanto um fluxo de imagem direta começa na imagem fornecida. O perfil Photo Avatar do produtor oferece instruções de movimento em texto livre e opções de expressividade high, medium ou low, sendo low a predefinição. Conserve o aspeto de avatar e o motor escolhidos ao fazer uma série, para que uma mudança de imagem de origem ou de modelo de renderização não se torne uma alteração despercebida do apresentador.
Para orientar o movimento, descreva uma ação corporal visível e a sua qualidade emocional. «Acena suavemente com a cabeça com um sorriso caloroso» dá um gesto e uma expressão; uma saudação breve pode utilizar um aceno amigável com a mão. O fabricante recomenda um gesto principal, opcionalmente acompanhado de uma expressão facial, e não mais de duas orações curtas para uma sequência. Avatar IV gere o ritmo a partir da interpretação, pelo que o guia do Studio não exige um calendário de gestos segundo a segundo. Uma redação específica e concisa é mais fácil de inspecionar do que várias ações concorrentes numa única instrução.
O perfil de áudio para vídeo do produtor renderiza até trinta minutos de áudio fornecido por pedido, e os recursos MP3 ou WAV carregados têm um limite de 32 MB. Para uma aula ou gravação mais longa, divida o material em limites coerentes da fala e conserve a ordem original. O ritmo da fala do vídeo final deve seguir o áudio selecionado, em vez de uma estimativa de duração de clipe sem relação com ele.
As definições de saída documentadas do produtor incluem 720p ou 1080p e proporções de 16:9, 9:16, 4:5, 5:4 ou 1:1, com uma opção automática que segue as proporções de origem. O ajuste cover pode recortar o sujeito; contain enquadra o sujeito inteiro e pode deixar visível o fundo à sua volta. O fluxo de áudio para vídeo devolve MP4 por predefinição. Para avatares de vídeo, a saída WebM transparente exige suporte de matting, e o produtor aplica a remoção de fundo a essa saída, em vez de a combinar com um novo fundo. Inspecione o enquadramento efetivo e o ficheiro antes de colocar o apresentador numa composição maior.
Uma introdução de formação pode utilizar uma imagem legível do apresentador, uma explicação concisa e um gesto contido na instrução principal. Um vídeo explicativo de produto pode conservar o mesmo aspeto de avatar e alterar o guião falado para diferentes funcionalidades. O produtor documenta também ficheiros de legendas opcionais e legendas incorporadas no vídeo; reveja a sua redação e sincronização juntamente com a fala. A renderização é assíncrona na interface do fabricante, pelo que uma resposta de criação e o vídeo concluído são recursos diferentes. Mantenha a gravação acabada e o seu estado de conclusão com o resultado da tarefa.
Avatar IV mantém-se distinto do movimento guiado por referências do Avatar V e dos seus controlos separados de predefinições do Studio. É também distinto da geração de cenas de uso geral do HeyGen Video e de uma conversa interativa com avatar em direto. Reveja o movimento da boca renderizado, as mãos visíveis, a expressão facial, as pausas e a redação falada face ao material de origem e ao tom pretendido. A imagem, a pose, a iluminação e as instruções de movimento afetam o resultado; uma animação baseada em fotografia deve ser verificada como uma interpretação gerada, conservando as entradas escolhidas para revisões posteriores.
", "aboutText": "Avatar IV é o motor de avatares da HeyGen que transforma uma imagem fixa num vídeo falado expressivo. A sua conceção de conversão de áudio em expressão, inspirada na difusão, utiliza o tom, o ritmo e a emoção da voz para orientar movimentos faciais, inclinações da cabeça, pausas e microexpressões. O objetivo é um apresentador ou uma personagem que transmite conteúdo falado com sincronização labial e gestos, em vez de um gerador de cenas de uso geral que cria todo um cenário e uma banda sonora a partir de uma instrução cinematográfica.\n\nO fabricante descreve suporte para personagens realistas e estilizadas, incluindo imagens de ângulo oblíquo ou de perfil, rostos de estilo anime e animais de estimação. As personagens baseadas em fotografias funcionam melhor quando os olhos, a boca e a estrutura facial são fáceis de identificar. A HeyGen recomenda uma imagem nítida e bem iluminada, com uma postura natural e as mãos visíveis quando os gestos são importantes. Um rosto muito pequeno, lábios escondidos, máscaras espessas, um bico pronunciado ou proporções muito exageradas podem prejudicar o movimento facial e a sincronização labial. Mantenha o enquadramento de origem adequado à interpretação pretendida.\n\nO produtor disponibiliza duas vias de entrada de fala. Um guião escrito é associado a uma voz selecionada; uma faixa de áudio previamente gravada fornece diretamente a voz e o ritmo temporal. Utilize a via de áudio gravado quando a interpretação já estiver definida e a via de guião quando a fala tiver de ser sintetizada. Estas entradas são alternativas na interface documentada. Prepare a redação definitiva, os nomes e a pronúncia antes da animação e preserve o áudio ou o guião com o vídeo devolvido, para que o resultado falado possa ser verificado.\n\nO perfil do modelo Avatar IV da HeyGen abrange avatares de estúdio, Digital Twins, Photo Avatars, imagens diretas e sujeitos criados por instrução. Um Photo Avatar reutilizável fornece um sujeito estável para vídeos posteriores, enquanto um fluxo de imagem direta começa na imagem fornecida. O perfil Photo Avatar do produtor oferece instruções de movimento em texto livre e opções de expressividade high, medium ou low, sendo low a predefinição. Conserve o aspeto de avatar e o motor escolhidos ao fazer uma série, para que uma mudança de imagem de origem ou de modelo de renderização não se torne uma alteração despercebida do apresentador.\n\nPara orientar o movimento, descreva uma ação corporal visível e a sua qualidade emocional. «Acena suavemente com a cabeça com um sorriso caloroso» dá um gesto e uma expressão; uma saudação breve pode utilizar um aceno amigável com a mão. O fabricante recomenda um gesto principal, opcionalmente acompanhado de uma expressão facial, e não mais de duas orações curtas para uma sequência. Avatar IV gere o ritmo a partir da interpretação, pelo que o guia do Studio não exige um calendário de gestos segundo a segundo. Uma redação específica e concisa é mais fácil de inspecionar do que várias ações concorrentes numa única instrução.\n\nO perfil de áudio para vídeo do produtor renderiza até trinta minutos de áudio fornecido por pedido, e os recursos MP3 ou WAV carregados têm um limite de 32 MB. Para uma aula ou gravação mais longa, divida o material em limites coerentes da fala e conserve a ordem original. O ritmo da fala do vídeo final deve seguir o áudio selecionado, em vez de uma estimativa de duração de clipe sem relação com ele.\n\nAs definições de saída documentadas do produtor incluem 720p ou 1080p e proporções de 16:9, 9:16, 4:5, 5:4 ou 1:1, com uma opção automática que segue as proporções de origem. O ajuste cover pode recortar o sujeito; contain enquadra o sujeito inteiro e pode deixar visível o fundo à sua volta. O fluxo de áudio para vídeo devolve MP4 por predefinição. Para avatares de vídeo, a saída WebM transparente exige suporte de matting, e o produtor aplica a remoção de fundo a essa saída, em vez de a combinar com um novo fundo. Inspecione o enquadramento efetivo e o ficheiro antes de colocar o apresentador numa composição maior.\n\nUma introdução de formação pode utilizar uma imagem legível do apresentador, uma explicação concisa e um gesto contido na instrução principal. Um vídeo explicativo de produto pode conservar o mesmo aspeto de avatar e alterar o guião falado para diferentes funcionalidades. O produtor documenta também ficheiros de legendas opcionais e legendas incorporadas no vídeo; reveja a sua redação e sincronização juntamente com a fala. A renderização é assíncrona na interface do fabricante, pelo que uma resposta de criação e o vídeo concluído são recursos diferentes. Mantenha a gravação acabada e o seu estado de conclusão com o resultado da tarefa.\n\nAvatar IV mantém-se distinto do movimento guiado por referências do Avatar V e dos seus controlos separados de predefinições do Studio. É também distinto da geração de cenas de uso geral do HeyGen Video e de uma conversa interativa com avatar em direto. Reveja o movimento da boca renderizado, as mãos visíveis, a expressão facial, as pausas e a redação falada face ao material de origem e ao tom pretendido. A imagem, a pose, a iluminação e as instruções de movimento afetam o resultado; uma animação baseada em fotografia deve ser verificada como uma interpretação gerada, conservando as entradas escolhidas para revisões posteriores.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f5d4c5549b7e8b169c042ede666587ffa0b27ad0a2fba2b3a504c7b1b19f715e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "heygen/avatar-ivAvatar IV anima uma fotografia para criar um vídeo falado com sincronização labial, em que a expressão facial e o ritmo dos gestos são guiados pela voz. A HeyGen documenta fluxos com guião ou áudio gravado e controlos de movimento de Photo Avatar para apresentadores realistas ou estilizados.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Avatar IV é o motor de avatares da HeyGen que transforma uma imagem fixa num vídeo falado expressivo. A sua conceção de conversão de áudio em expressão, inspirada na difusão, utiliza o tom, o ritmo e a emoção da voz para orientar movimentos faciais, inclinações da cabeça, pausas e microexpressões. O objetivo é um apresentador ou uma personagem que transmite conteúdo falado com sincronização labial e gestos, em vez de um gerador de cenas de uso geral que cria todo um cenário e uma banda sonora a partir de uma instrução cinematográfica.
O fabricante descreve suporte para personagens realistas e estilizadas, incluindo imagens de ângulo oblíquo ou de perfil, rostos de estilo anime e animais de estimação. As personagens baseadas em fotografias funcionam melhor quando os olhos, a boca e a estrutura facial são fáceis de identificar. A HeyGen recomenda uma imagem nítida e bem iluminada, com uma postura natural e as mãos visíveis quando os gestos são importantes. Um rosto muito pequeno, lábios escondidos, máscaras espessas, um bico pronunciado ou proporções muito exageradas podem prejudicar o movimento facial e a sincronização labial. Mantenha o enquadramento de origem adequado à interpretação pretendida.
O produtor disponibiliza duas vias de entrada de fala. Um guião escrito é associado a uma voz selecionada; uma faixa de áudio previamente gravada fornece diretamente a voz e o ritmo temporal. Utilize a via de áudio gravado quando a interpretação já estiver definida e a via de guião quando a fala tiver de ser sintetizada. Estas entradas são alternativas na interface documentada. Prepare a redação definitiva, os nomes e a pronúncia antes da animação e preserve o áudio ou o guião com o vídeo devolvido, para que o resultado falado possa ser verificado.
O perfil do modelo Avatar IV da HeyGen abrange avatares de estúdio, Digital Twins, Photo Avatars, imagens diretas e sujeitos criados por instrução. Um Photo Avatar reutilizável fornece um sujeito estável para vídeos posteriores, enquanto um fluxo de imagem direta começa na imagem fornecida. O perfil Photo Avatar do produtor oferece instruções de movimento em texto livre e opções de expressividade high, medium ou low, sendo low a predefinição. Conserve o aspeto de avatar e o motor escolhidos ao fazer uma série, para que uma mudança de imagem de origem ou de modelo de renderização não se torne uma alteração despercebida do apresentador.
Para orientar o movimento, descreva uma ação corporal visível e a sua qualidade emocional. «Acena suavemente com a cabeça com um sorriso caloroso» dá um gesto e uma expressão; uma saudação breve pode utilizar um aceno amigável com a mão. O fabricante recomenda um gesto principal, opcionalmente acompanhado de uma expressão facial, e não mais de duas orações curtas para uma sequência. Avatar IV gere o ritmo a partir da interpretação, pelo que o guia do Studio não exige um calendário de gestos segundo a segundo. Uma redação específica e concisa é mais fácil de inspecionar do que várias ações concorrentes numa única instrução.
O perfil de áudio para vídeo do produtor renderiza até trinta minutos de áudio fornecido por pedido, e os recursos MP3 ou WAV carregados têm um limite de 32 MB. Para uma aula ou gravação mais longa, divida o material em limites coerentes da fala e conserve a ordem original. O ritmo da fala do vídeo final deve seguir o áudio selecionado, em vez de uma estimativa de duração de clipe sem relação com ele.
As definições de saída documentadas do produtor incluem 720p ou 1080p e proporções de 16:9, 9:16, 4:5, 5:4 ou 1:1, com uma opção automática que segue as proporções de origem. O ajuste cover pode recortar o sujeito; contain enquadra o sujeito inteiro e pode deixar visível o fundo à sua volta. O fluxo de áudio para vídeo devolve MP4 por predefinição. Para avatares de vídeo, a saída WebM transparente exige suporte de matting, e o produtor aplica a remoção de fundo a essa saída, em vez de a combinar com um novo fundo. Inspecione o enquadramento efetivo e o ficheiro antes de colocar o apresentador numa composição maior.
Uma introdução de formação pode utilizar uma imagem legível do apresentador, uma explicação concisa e um gesto contido na instrução principal. Um vídeo explicativo de produto pode conservar o mesmo aspeto de avatar e alterar o guião falado para diferentes funcionalidades. O produtor documenta também ficheiros de legendas opcionais e legendas incorporadas no vídeo; reveja a sua redação e sincronização juntamente com a fala. A renderização é assíncrona na interface do fabricante, pelo que uma resposta de criação e o vídeo concluído são recursos diferentes. Mantenha a gravação acabada e o seu estado de conclusão com o resultado da tarefa.
Avatar IV mantém-se distinto do movimento guiado por referências do Avatar V e dos seus controlos separados de predefinições do Studio. É também distinto da geração de cenas de uso geral do HeyGen Video e de uma conversa interativa com avatar em direto. Reveja o movimento da boca renderizado, as mãos visíveis, a expressão facial, as pausas e a redação falada face ao material de origem e ao tom pretendido. A imagem, a pose, a iluminação e as instruções de movimento afetam o resultado; uma animação baseada em fotografia deve ser verificada como uma interpretação gerada, conservando as entradas escolhidas para revisões posteriores.
POST /v1/videostext, image, audio, videovideo| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites heygen/avatar-iv | Predefinição— |
Campoinput_references | Tipoarray | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 2 Número máximo de elementos: 2 | Predefinição— |
Campoprompt | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_references |
Parâmetromaterial_types | Contratotext, image, audio, video |
Parâmetromaterial_conditions | ContratoUtilize URLs reais de conteúdo de recursos multimédia concluídos que pertencem ao utilizador, com as assinaturas devolvidas: uma origem de vídeo para BFL, ou uma origem de imagem e uma de áudio para avatar. É exigida a prova da origem relativa ao proprietário/tipo/bytes., Forneça exatamente uma imagem PNG/JPEG e um recurso de áudio WAV/MP3. O áudio tem, no máximo, 32000000 bytes, com duração superior a 0 e, no máximo, 1800 segundos. |
Ciclo de vida: asynchronous_job_then_owned_outputs
GET /v1/videos/{request_id} · id ou polling_url efetivamente devolvido
GET /v1/videos/{request_id}/content
As tarifas apresentadas permitem estimar o custo antes da geração. O montante final cobrado é calculado a partir do custo registado para a geração original. A duração medida do resultado e as quantidades previstas não correspondem à quantidade final faturável.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade prevista | Unidade de faturação | Condições de faturação | Custo |
|---|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade prevista— | Unidade de faturação— | Condições de faturação— | Custo Entrada · Tokens de entrada · Estimativa apenas para comparação — / 1K tokens Saída · Tokens de saída · Estimativa apenas para comparação — / 1K tokens Entrada · Leitura da cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache, 1 hora · Estimativa apenas para comparação — / 1K tokens |
| ConfiguraçãoPreço do vídeo | Tabela de tarifas— | Quantidade prevista— | Unidade de faturaçãopor segundo de vídeo | Condições de faturaçãoNão é declarada nenhuma condição adicional nesta chave de preços. | Custo Saída · Preço do vídeo · Estimativa apenas para comparação $0.1 por segundo de vídeo |
| ConfiguraçãoCusto estimado de geração | Tabela de tarifas— | Quantidade previstaestimativa para uma geração | Unidade de faturação— | Condições de faturação— | Custo Saída · Custo estimado de geração · Estimativa apenas para comparação $0.1 estimativa antes da geração Esta estimativa não é um encargo adicional nem uma tarifa fixa para a geração concluída. |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_REFERENCES_JSON:?Set the actual documented input value}"\nexport AILOOT_INPUT_REFERENCES_JSON\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'heygen/avatar-iv', 'input_references': '${ACTUAL_OWNED_INPUT_REFERENCES}'}\nrequest['input_references']=json.loads(os.environ['AILOOT_INPUT_REFERENCES_JSON'])\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/videos \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nGET /v1/videos/{request_id}GET /v1/videos/{request_id}/contentset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_STATUS_FILE:?Set the actual completed status JSON file}"\nexport AILOOT_STATUS_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nfrom urllib.parse import urlsplit,urljoin\nf=Path(os.environ["AILOOT_STATUS_FILE"])\nif not f.is_file():raise SystemExit("Choose the actual completed status file")\nr=json.loads(f.read_text())\nif r.get("status")!="completed" or not isinstance(r.get("data"),list) or not r["data"]:raise SystemExit("Wait for a completed status with asset paths")\nurls=[]\nfor x in r["data"]:\n if not isinstance(x,str) or "\\n" in x or "\\r" in x:raise SystemExit("Invalid asset path")\n u=urljoin("https://api.ailoot.ai",x)\n z=urlsplit(u)\n if z.scheme!="https" or z.netloc!="api.ailoot.ai" or z.username or z.password:raise SystemExit("Use the actual Ailoot asset paths from status")\n urls.append(u)\nPath("asset-urls.txt").write_text("\\n".join(urls)+"\\n")\nPY_REQUEST\nindex=0\nwhile IFS= read -r asset_url; do\n curl --fail-with-body --silent --show-error "$asset_url" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o "video-${index}.mp4"\n index=$((index + 1))\ndone < asset-urls.txt\nGuarde cada vídeo concluído ou ficheiro devolvido; obtenha cada URL de recurso efetivamente devolvido.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Conserve X-Client-Request-ID, X-Ailoot-Task-Id e o id/polling_url efetivamente devolvido. Continue a tarefa original; não volte a enviar o pedido de criação.
| Campo | Tipo |
|---|---|
Campoid | Tipo |
Campostatus | Tipo |
Campodata[] | Tipo |
Campooutputs[] | Tipo |
Ailoot Ultra heygen/avatar-iv
Use os caminhos dos métodos indicados acima.