Avatar IV är HeyGens avatarmotor för att omvandla en stillbild till en uttrycksfull talvideo. Dess diffusionsinspirerade utformning från ljud till uttryck använder röstton, rytm och känsla för att styra ansiktsrörelse, huvudlutningar, pauser och mikrouttryck. Syftet är en presentatör eller karaktär som framför talat innehåll med läppsynkronisering och gester, snarare än en allmän scengenerator som skapar en hel miljö och ett ljudspår från en filmisk prompt.
Tillverkaren beskriver stöd för verklighetstrogna och stiliserade karaktärer, inklusive vinklade bilder eller profilbilder, ansikten i animestil och husdjur. Fotobaserade karaktärer fungerar bäst när ögon, mun och ansiktsstruktur är lätta att identifiera. HeyGen rekommenderar en tydlig, välbelyst bild med naturlig hållning och synliga händer när gester är viktiga. Ett mycket litet ansikte, dolda läppar, kraftiga masker, en framträdande näbb eller starkt överdrivna proportioner kan försvaga ansiktsrörelse och läppsynkronisering. Håll källans bildutsnitt lämpat för avsett framförande.
Producenten erbjuder två vägar för talindata. Ett skrivet manus paras med en vald röst; ett förinspelat ljudspår tillhandahåller rösten och timingen direkt. Använd vägen för inspelat ljud när framförandet redan är fastställt och manusvägen när talet behöver syntetiseras. Indata är alternativ i det dokumenterade gränssnittet. Förbered slutlig ordalydelse, namn och uttal före animation och spara ljud eller manus tillsammans med returnerad video så att det talade resultatet kan kontrolleras.
HeyGens Avatar IV-modellprofil omfattar studioavatarer, Digital Twins, Photo Avatars, direkta bilder och promptskapade motiv. En återanvändbar Photo Avatar ger ett stabilt motiv för senare videor, medan ett arbetsflöde med direkt bild börjar från den angivna bilden. Producentens Photo Avatar-profil erbjuder rörelseinstruktioner i fri text och uttrycksfullhetsvalen high, medium eller low, med low som standard. Behåll valt avatarutseende och motor när en serie skapas så att en ändrad källbild eller renderingsmodell inte blir en obemärkt ändring av presentatören.
Beskriv en synlig kroppshandling och dess känslomässiga kvalitet för rörelseregi. ”Nickar varsamt med ett varmt leende” ger en gest och ett uttryck; en kort hälsning kan använda en vänlig vinkning. Tillverkaren rekommenderar en huvudgest, valfritt tillsammans med ett ansiktsuttryck, och högst två korta satser för en sekvens. Avatar IV hanterar tempot utifrån framförandet, så Studio-guiden kräver inget gestschema sekund för sekund. Specifik, kortfattad ordalydelse är lättare att granska än flera konkurrerande handlingar i en prompt.
Producentens ljud-till-video-profil renderar upp till trettio minuters angivet ljud per begäran och uppladdade MP3- eller WAV-resurser har en gräns på 32 MB. Dela materialet vid sammanhängande talgränser för en längre lektion eller inspelning och behåll originalordningen. Slutvideons talade timing ska följa valt ljud snarare än en orelaterad uppskattning av klipplängd.
De dokumenterade utdatainställningarna från producenten omfattar 720p eller 1080p och formerna 16:9, 9:16, 4:5, 5:4 eller 1:1, med ett automatiskt alternativ som följer källans proportioner. Cover-anpassning kan beskära motivet; contain passar in hela motivet och kan lämna omgivande bakgrund synlig. Arbetsflödet för ljud-till-video returnerar MP4 som standard. För videoavatarer kräver transparenta WebM-utdata stöd för friläggning, och producenten tillämpar bakgrundsborttagning för dessa utdata i stället för att kombinera dem med en ny bakgrund. Granska faktiskt bildutsnitt och fil innan presentatören placeras i en större komposition.
En utbildningsintroduktion kan använda en tydlig presentatörsbild, en kortfattad förklaring och en återhållsam gest vid nyckelinstruktionen. En produktförklaring kan behålla samma avatarutseende medan talmanuset ändras för olika funktioner. Producenten dokumenterar också valfria undertextfiler och inbrända undertexter; granska ordalydelse och timing tillsammans med talet. Renderingen är asynkron i tillverkargränssnittet, så ett skapandesvar och den färdiga videon är olika leveranser. Spara den färdiga inspelningen och dess slutförandestatus med uppgiftens resultat.
Avatar IV hålls separat från Avatar V:s referensstyrda rörelse och dess separata Studio-förinställningskontroller. Den skiljer sig också från HeyGen Videos generella scengenerering och från ett interaktivt live-avatarsamtal. Granska renderad munrörelse, synliga händer, ansiktsuttryck, pauser och talad ordalydelse mot källmaterial och avsedd ton. Bild, pose, ljussättning och rörelseinstruktioner påverkar resultatet; en fotobaserad animation ska kontrolleras som ett genererat framförande, med valda indata sparade för senare revideringar.
", "aboutText": "Avatar IV är HeyGens avatarmotor för att omvandla en stillbild till en uttrycksfull talvideo. Dess diffusionsinspirerade utformning från ljud till uttryck använder röstton, rytm och känsla för att styra ansiktsrörelse, huvudlutningar, pauser och mikrouttryck. Syftet är en presentatör eller karaktär som framför talat innehåll med läppsynkronisering och gester, snarare än en allmän scengenerator som skapar en hel miljö och ett ljudspår från en filmisk prompt.\n\nTillverkaren beskriver stöd för verklighetstrogna och stiliserade karaktärer, inklusive vinklade bilder eller profilbilder, ansikten i animestil och husdjur. Fotobaserade karaktärer fungerar bäst när ögon, mun och ansiktsstruktur är lätta att identifiera. HeyGen rekommenderar en tydlig, välbelyst bild med naturlig hållning och synliga händer när gester är viktiga. Ett mycket litet ansikte, dolda läppar, kraftiga masker, en framträdande näbb eller starkt överdrivna proportioner kan försvaga ansiktsrörelse och läppsynkronisering. Håll källans bildutsnitt lämpat för avsett framförande.\n\nProducenten erbjuder två vägar för talindata. Ett skrivet manus paras med en vald röst; ett förinspelat ljudspår tillhandahåller rösten och timingen direkt. Använd vägen för inspelat ljud när framförandet redan är fastställt och manusvägen när talet behöver syntetiseras. Indata är alternativ i det dokumenterade gränssnittet. Förbered slutlig ordalydelse, namn och uttal före animation och spara ljud eller manus tillsammans med returnerad video så att det talade resultatet kan kontrolleras.\n\nHeyGens Avatar IV-modellprofil omfattar studioavatarer, Digital Twins, Photo Avatars, direkta bilder och promptskapade motiv. En återanvändbar Photo Avatar ger ett stabilt motiv för senare videor, medan ett arbetsflöde med direkt bild börjar från den angivna bilden. Producentens Photo Avatar-profil erbjuder rörelseinstruktioner i fri text och uttrycksfullhetsvalen high, medium eller low, med low som standard. Behåll valt avatarutseende och motor när en serie skapas så att en ändrad källbild eller renderingsmodell inte blir en obemärkt ändring av presentatören.\n\nBeskriv en synlig kroppshandling och dess känslomässiga kvalitet för rörelseregi. ”Nickar varsamt med ett varmt leende” ger en gest och ett uttryck; en kort hälsning kan använda en vänlig vinkning. Tillverkaren rekommenderar en huvudgest, valfritt tillsammans med ett ansiktsuttryck, och högst två korta satser för en sekvens. Avatar IV hanterar tempot utifrån framförandet, så Studio-guiden kräver inget gestschema sekund för sekund. Specifik, kortfattad ordalydelse är lättare att granska än flera konkurrerande handlingar i en prompt.\n\nProducentens ljud-till-video-profil renderar upp till trettio minuters angivet ljud per begäran och uppladdade MP3- eller WAV-resurser har en gräns på 32 MB. Dela materialet vid sammanhängande talgränser för en längre lektion eller inspelning och behåll originalordningen. Slutvideons talade timing ska följa valt ljud snarare än en orelaterad uppskattning av klipplängd.\n\nDe dokumenterade utdatainställningarna från producenten omfattar 720p eller 1080p och formerna 16:9, 9:16, 4:5, 5:4 eller 1:1, med ett automatiskt alternativ som följer källans proportioner. Cover-anpassning kan beskära motivet; contain passar in hela motivet och kan lämna omgivande bakgrund synlig. Arbetsflödet för ljud-till-video returnerar MP4 som standard. För videoavatarer kräver transparenta WebM-utdata stöd för friläggning, och producenten tillämpar bakgrundsborttagning för dessa utdata i stället för att kombinera dem med en ny bakgrund. Granska faktiskt bildutsnitt och fil innan presentatören placeras i en större komposition.\n\nEn utbildningsintroduktion kan använda en tydlig presentatörsbild, en kortfattad förklaring och en återhållsam gest vid nyckelinstruktionen. En produktförklaring kan behålla samma avatarutseende medan talmanuset ändras för olika funktioner. Producenten dokumenterar också valfria undertextfiler och inbrända undertexter; granska ordalydelse och timing tillsammans med talet. Renderingen är asynkron i tillverkargränssnittet, så ett skapandesvar och den färdiga videon är olika leveranser. Spara den färdiga inspelningen och dess slutförandestatus med uppgiftens resultat.\n\nAvatar IV hålls separat från Avatar V:s referensstyrda rörelse och dess separata Studio-förinställningskontroller. Den skiljer sig också från HeyGen Videos generella scengenerering och från ett interaktivt live-avatarsamtal. Granska renderad munrörelse, synliga händer, ansiktsuttryck, pauser och talad ordalydelse mot källmaterial och avsedd ton. Bild, pose, ljussättning och rörelseinstruktioner påverkar resultatet; en fotobaserad animation ska kontrolleras som ett genererat framförande, med valda indata sparade för senare revideringar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3d1e8e26532f68085cea966d19972daf6dbd7ad9c2b278c80f320ba0cca58abc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "heygen/avatar-ivAvatar IV animerar ett foto till en läppsynkroniserad talvideo med ansiktsuttryck och gesttiming styrda av rösten. HeyGen dokumenterar arbetsflöden med manus eller inspelat ljud och rörelsekontroller för Photo Avatar för verklighetstrogna eller stiliserade presentatörer.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Avatar IV är HeyGens avatarmotor för att omvandla en stillbild till en uttrycksfull talvideo. Dess diffusionsinspirerade utformning från ljud till uttryck använder röstton, rytm och känsla för att styra ansiktsrörelse, huvudlutningar, pauser och mikrouttryck. Syftet är en presentatör eller karaktär som framför talat innehåll med läppsynkronisering och gester, snarare än en allmän scengenerator som skapar en hel miljö och ett ljudspår från en filmisk prompt.
Tillverkaren beskriver stöd för verklighetstrogna och stiliserade karaktärer, inklusive vinklade bilder eller profilbilder, ansikten i animestil och husdjur. Fotobaserade karaktärer fungerar bäst när ögon, mun och ansiktsstruktur är lätta att identifiera. HeyGen rekommenderar en tydlig, välbelyst bild med naturlig hållning och synliga händer när gester är viktiga. Ett mycket litet ansikte, dolda läppar, kraftiga masker, en framträdande näbb eller starkt överdrivna proportioner kan försvaga ansiktsrörelse och läppsynkronisering. Håll källans bildutsnitt lämpat för avsett framförande.
Producenten erbjuder två vägar för talindata. Ett skrivet manus paras med en vald röst; ett förinspelat ljudspår tillhandahåller rösten och timingen direkt. Använd vägen för inspelat ljud när framförandet redan är fastställt och manusvägen när talet behöver syntetiseras. Indata är alternativ i det dokumenterade gränssnittet. Förbered slutlig ordalydelse, namn och uttal före animation och spara ljud eller manus tillsammans med returnerad video så att det talade resultatet kan kontrolleras.
HeyGens Avatar IV-modellprofil omfattar studioavatarer, Digital Twins, Photo Avatars, direkta bilder och promptskapade motiv. En återanvändbar Photo Avatar ger ett stabilt motiv för senare videor, medan ett arbetsflöde med direkt bild börjar från den angivna bilden. Producentens Photo Avatar-profil erbjuder rörelseinstruktioner i fri text och uttrycksfullhetsvalen high, medium eller low, med low som standard. Behåll valt avatarutseende och motor när en serie skapas så att en ändrad källbild eller renderingsmodell inte blir en obemärkt ändring av presentatören.
Beskriv en synlig kroppshandling och dess känslomässiga kvalitet för rörelseregi. ”Nickar varsamt med ett varmt leende” ger en gest och ett uttryck; en kort hälsning kan använda en vänlig vinkning. Tillverkaren rekommenderar en huvudgest, valfritt tillsammans med ett ansiktsuttryck, och högst två korta satser för en sekvens. Avatar IV hanterar tempot utifrån framförandet, så Studio-guiden kräver inget gestschema sekund för sekund. Specifik, kortfattad ordalydelse är lättare att granska än flera konkurrerande handlingar i en prompt.
Producentens ljud-till-video-profil renderar upp till trettio minuters angivet ljud per begäran och uppladdade MP3- eller WAV-resurser har en gräns på 32 MB. Dela materialet vid sammanhängande talgränser för en längre lektion eller inspelning och behåll originalordningen. Slutvideons talade timing ska följa valt ljud snarare än en orelaterad uppskattning av klipplängd.
De dokumenterade utdatainställningarna från producenten omfattar 720p eller 1080p och formerna 16:9, 9:16, 4:5, 5:4 eller 1:1, med ett automatiskt alternativ som följer källans proportioner. Cover-anpassning kan beskära motivet; contain passar in hela motivet och kan lämna omgivande bakgrund synlig. Arbetsflödet för ljud-till-video returnerar MP4 som standard. För videoavatarer kräver transparenta WebM-utdata stöd för friläggning, och producenten tillämpar bakgrundsborttagning för dessa utdata i stället för att kombinera dem med en ny bakgrund. Granska faktiskt bildutsnitt och fil innan presentatören placeras i en större komposition.
En utbildningsintroduktion kan använda en tydlig presentatörsbild, en kortfattad förklaring och en återhållsam gest vid nyckelinstruktionen. En produktförklaring kan behålla samma avatarutseende medan talmanuset ändras för olika funktioner. Producenten dokumenterar också valfria undertextfiler och inbrända undertexter; granska ordalydelse och timing tillsammans med talet. Renderingen är asynkron i tillverkargränssnittet, så ett skapandesvar och den färdiga videon är olika leveranser. Spara den färdiga inspelningen och dess slutförandestatus med uppgiftens resultat.
Avatar IV hålls separat från Avatar V:s referensstyrda rörelse och dess separata Studio-förinställningskontroller. Den skiljer sig också från HeyGen Videos generella scengenerering och från ett interaktivt live-avatarsamtal. Granska renderad munrörelse, synliga händer, ansiktsuttryck, pauser och talad ordalydelse mot källmaterial och avsedd ton. Bild, pose, ljussättning och rörelseinstruktioner påverkar resultatet; en fotobaserad animation ska kontrolleras som ett genererat framförande, med valda indata sparade för senare revideringar.
POST /v1/videostext, image, audio, videovideo| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser heygen/avatar-iv | Standard— |
Fältinput_references | Typarray | KravObligatoriskt | Värden & gränser Minsta antal objekt: 2 Maximalt antal objekt: 2 | Standard— |
Fältprompt | Typstring | KravValfritt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input_references |
Parametermaterial_types | Avtaltext, image, audio, video |
Parametermaterial_conditions | AvtalAnvänd faktiska innehållslänkar till färdiga medietillgångar som du äger, med deras returnerade signaturer: en videokälla för BFL eller en bildkälla och en ljudkälla för avatar. Källans belägg för ägare, typ och byte krävs., Ange exakt en PNG/JPEG-bild och en WAV/MP3-ljudtillgång. Ljudet är högst 32000000 byte, med en längd större än 0 och högst 1800 sekunder. |
Livscykel: asynchronous_job_then_owned_outputs
GET /v1/videos/{request_id} · faktiskt returnerat id eller polling_url
GET /v1/videos/{request_id}/content
De visade priserna används för att uppskatta kostnaden före genereringen. Den slutliga debiteringen beräknas utifrån den kostnad som registrerats för den ursprungliga genereringen. Uppmätt längd på resultatet och uppskattade mängder utgör inte den slutliga debiterbara mängden.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Prognostiserad mängd | Debiteringsenhet | Debiteringsvillkor | Avgift |
|---|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Prognostiserad mängd— | Debiteringsenhet— | Debiteringsvillkor— | Avgift Indata · Indatatoken · Uppskattning endast för jämförelse — / 1K token Utdata · Utdatatoken · Uppskattning endast för jämförelse — / 1K token Indata · Cacheläsning · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache, 1 tim · Uppskattning endast för jämförelse — / 1K token |
| KonfigurationVideopris | Prislista— | Prognostiserad mängd— | Debiteringsenhetper videosekund | DebiteringsvillkorInget ytterligare villkor anges i denna prisnyckel. | Avgift Utdata · Videopris · Uppskattning endast för jämförelse $0.1 per videosekund |
| KonfigurationUppskattad genereringskostnad | Prislista— | Prognostiserad mängduppskattning för en generering | Debiteringsenhet— | Debiteringsvillkor— | Avgift Utdata · Uppskattad genereringskostnad · Uppskattning endast för jämförelse $0.1 uppskattning före generering Denna uppskattning är varken en extra avgift eller ett fast pris för den slutförda genereringen. |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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\nSpara varje färdig video eller returnerad fil; hämta varje faktiskt returnerad resurs-URL.
Spara hela svaret med headers, samtliga faktiska resultat, de ursprungliga returnerade identifierarna och alla användningsfält. Hämta den ursprungliga operationen utan att skicka skapandeförfrågan igen.
Behåll X-Client-Request-ID, X-Ailoot-Task-Id och faktiskt returnerat id/polling_url. Fortsätt med det ursprungliga jobbet; skicka inte skapandebegäran igen.
| Fält | Typ |
|---|---|
Fältid | Typ |
Fältstatus | Typ |
Fältdata[] | Typ |
Fältoutputs[] | Typ |
Ailoot Ultra heygen/avatar-iv
Använd metodsökvägarna som visas ovan.