HeyGen: HeyGen Video

HeyGen Video é o modelo de geração de cenas de uso geral da HeyGen, identificado pelo fabricante como heygen-video-1. Cria em conjunto o sujeito, o cenário, a luz e o som a partir de instruções criativas. Cada clipe tem 5–15 segundos e contém a sua faixa de áudio gerada, incluindo diálogo, ambiente e efeitos. As entradas úteis para produção incluem uma descrição de cena, uma fotografia de produto ou material que estabelece uma pessoa, um local ou um movimento. O recurso resultante é uma cena curta para uma apresentação de produto, um segmento de integração de utilizadores, uma vista de imóvel ou outro trabalho de montagem de vídeo.

Três modos atribuem papéis diferentes às entradas. Texto para vídeo cria uma cena a partir da instrução. Imagem para vídeo começa literalmente na imagem fornecida e segue depois as instruções de ação. Referências para vídeo utiliza imagens, vídeo e áudio opcional fornecidos para orientar uma cena com uma nova composição; exige pelo menos uma imagem ou um vídeo de referência. Escolha uma imagem para o primeiro fotograma quando a composição inicial tiver de corresponder a uma imagem fixa, ou referências quando um objeto conhecido deva aparecer numa composição diferente. Este modelo de cenas é distinto dos motores de renderização de avatares da HeyGen e do fluxo de composição do Video Agent.

O guia do fabricante favorece indicações de plano detalhadas e concretas: um sujeito, um local e uma ação delimitada, com uma câmara fixa ou em movimento suave. Descreva a posição da câmara, a intenção quanto à objetiva ou à profundidade de campo, a luz, a textura das superfícies e o tratamento de cor. Explique onde os objetos se tocam quando uma ação depende de contacto. Num exemplo original de produto, utilize uma fotografia de referência de uma garrafa térmica de viagem e peça que fique sobre um balcão de madeira enquanto um apresentador fala ao seu lado, com um pequeno movimento de câmara em direção à garrafa. Inspecione a forma, a posição e as marcas visíveis da garrafa no resultado.

As listas de referências suportam até nove imagens, três vídeos e três elementos de áudio, com um máximo de doze referências no total. As imagens, os vídeos e o áudio são numerados separadamente no formato de instrução do fabricante: a primeira imagem é <Picture 1> e o primeiro vídeo é <Video 1>. Dê um papel a cada referência e identifique-o explicitamente nas instruções. O modelo lê os primeiros cinco segundos de cada vídeo de referência, pelo que deve colocar a secção relevante no início. A referência da API especifica também proporções de vídeo de referência entre 1:4 e 4:1. Um clipe longo que contenha o movimento pretendido apenas no fim é uma preparação inadequada para essa janela de entrada de cinco segundos.

A interface de referências documentada aceita um recurso HTTPS diretamente acessível, um identificador de recurso carregado ou base64 em linha. O guia indica tamanhos máximos de imagem de 16 MB por URL e 5 MB em linha; vídeo ou áudio podem ter até 32 MB por URL e 16 MB em linha. Prepare material de origem legível, com o sujeito importante facilmente distinguível e sem instruções concorrentes em referências diferentes. Mantenha a orientação pretendida na imagem do primeiro fotograma. Estes pormenores de entrada dizem respeito ao fluxo de referências do fabricante e ajudam a organizar os materiais criativos para o modo selecionado.

Oriente o som nas mesmas instruções que a imagem. Indique o diálogo, a interpretação vocal, o som ambiente da sala e os efeitos específicos, incluindo se um som deve estar próximo ou distante. Especifique o tratamento musical pretendido quando a cena deve conter apenas fala e ambiente. O guia sugere prever aproximadamente 2,5 palavras faladas por segundo como estimativa de planeamento, pelo que deve deixar espaço para pausas e para a ação visível. Uma introdução curta pode ser planeada como uma fala seguida de um momento que revela o produto. Ouça as palavras efetivamente produzidas e verifique se o som gerado se adequa ao espaço e à ação.

A duração de saída é selecionada em segundos inteiros de cinco a quinze, com cinco segundos por predefinição. A resolução é uma classe de tamanho: 480p, 768p, 1080p ou 2k. As opções documentadas de enquadramento são 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16. Para texto para vídeo e referências para vídeo a 1080p ou 2k, selecione 16:9 ou 9:16; o enquadramento adaptativo de referências está documentado a 480p e 768p. Imagem para vídeo segue as proporções da primeira imagem, pelo que deve recortar antes da geração quando a forma exigida mudar. Reveja as dimensões reais do resultado concluído, em vez de presumir que um rótulo de classe de tamanho implica um determinado par convencional de dimensões em píxeis.

O guia do modelo especifica vídeo MP4 com codificação de imagem H.264 e áudio AAC estéreo a 32 kHz. Uma geração é processada de forma assíncrona, e a tarefa concluída fornece a localização do vídeo reproduzível, a duração e as dimensões. A sua localização de vídeo assinada pode ser renovada ao consultar novamente a tarefa. Preserve o clipe efetivo, os materiais de referência e as instruções para revisão da montagem. Um registo pendente ou em processamento acompanha a geração; o vídeo concluído é o recurso de produção a avaliar quanto à imagem, à fala e ao som.

O fabricante documenta as opções de melhoramento de instruções turbo, quality e disabled; disabled mantém a redação preparada tal como foi escrita. Uma semente fixa é útil para comparar uma alteração numa cláusula, mantendo as restantes entradas. Registe a semente e as definições escolhidas com as instruções do plano. Para texto no ecrã, mantenha a frase pretendida curta e escreva-a com precisão; o guia recomenda compor posteriormente parágrafos, letras pequenas e diagramas com rótulos. Verifique cada carácter visível num título gerado, em vez de presumir que a redação foi reproduzida corretamente.

O guia identifica como áreas menos fiáveis o texto longo no ecrã, o movimento orgânico suave, como pétalas, papel ou cabelo, e a manipulação de perto com as mãos. Para uma explicação de procedimentos, deixe que uma frase claramente escrita transmita os passos enquanto a imagem mostra uma pessoa ou um objeto estável; utilize elementos visuais verificados separadamente quando a própria operação física tiver de ser exata. Reveja todo o plano quanto à continuidade dos objetos, ao contacto, ao pormenor do rosto e das mãos, ao diálogo e ao som. Uma lista concisa do que deve mudar na próxima tomada mantém práticas umas instruções de produção detalhadas.