HeyGen: HeyGen Video

HeyGen Video är HeyGens generella scengenereringsmodell, identifierad av tillverkaren som heygen-video-1. Den skapar motiv, miljö, ljus och ljud tillsammans från ett kreativt uppdrag. Varje klipp är 5–15 sekunder långt och innehåller sitt genererade ljudspår, inklusive dialog, atmosfär och effekter. Användbara produktionsindata omfattar en scenbeskrivning, en produktbild eller material som fastställer en person, plats eller rörelse. Den resulterande resursen är en kort scen för en produktpresentation, ett inklipp för introduktion, en fastighetsvy eller annat redigerat videoarbete.

Tre lägen ger indata olika roller. Text-till-video skapar en scen från prompten. Bild-till-video börjar bokstavligen på den angivna bilden och följer sedan uppdraget för handlingen. Referens-till-video använder angivna bilder, video och valfritt ljud för att vägleda en nykomponerad scen; minst en referensbild eller video krävs. Välj en förstabildruta när öppningskompositionen måste matcha en stillbild eller referenser när ett känt objekt ska visas i en annan komposition. Den här scenmodellen skiljer sig från HeyGens avatarrenderingsmotorer och kompositionsarbetsflödet Video Agent.

Tillverkarens guide föredrar detaljerad, konkret tagningsregi: ett motiv, en plats och en avgränsad handling, med låst eller varsamt rörlig kamera. Beskriv kameraposition, objektiv eller avsikt för skärpedjup, ljus, yttextur och färgbehandling. Förklara var objekt rör vid varandra när en handling beror på kontakt. Använd för ett ursprungligt produktexempel en referensbild av en resetermos och be att den står på en träbänk medan en presentatör talar bredvid, med en liten kamerarörelse mot termosen. Granska termosens form, placering och synliga märkningar i resultatet.

Referenslistor stöder upp till nio bilder, tre videor och tre ljudobjekt, med högst tolv referenser totalt. Bilder, video och ljud numreras separat i tillverkarens promptformat: första bilden är <Picture 1> och första videon är <Video 1>. Ge varje referens en roll och identifiera rollen uttryckligen i uppdraget. Modellen läser de första fem sekunderna av varje referensvideo, så förbered det relevanta avsnittet i början. API-referensen anger också referensvideoförhållanden mellan 1:4 och 4:1. Ett långt klipp där den önskade rörelsen bara finns i slutet är dålig förberedelse för det fem sekunder långa indatafönstret.

Det dokumenterade referensgränssnittet accepterar en direkt åtkomlig HTTPS-resurs, en uppladdad resursidentifierare eller inline base64. Guiden listar maximala bildstorlekar på 16 MB via URL och 5 MB inline; video eller ljud kan vara upp till 32 MB via URL och 16 MB inline. Förbered läsbart källmaterial där huvudmotivet är lätt att urskilja och utan konkurrerande instruktioner i olika referenser. Behåll avsedd orientering i förstabilden. Indatadetaljerna gäller tillverkarens referensarbetsflöde och hjälper till att organisera de kreativa materialen för valt läge.

Regissera ljud i samma uppdrag som bilden. Ange dialog, röstframförande, rumston och specifika effekter, inklusive om ett ljud ska vara nära eller avlägset. Ange avsedd musikbehandling när scenen bara ska innehålla tal och atmosfär. Guiden föreslår ungefär 2,5 talade ord per sekund som planeringsuppskattning, så lämna plats för pauser och den synliga handlingen. En kort introduktion kan planeras som en replik följd av ett moment som visar produkten. Lyssna efter de faktiska orden och om det genererade ljudet passar rummet och handlingen.

Utdatalängden väljs i hela sekunder från fem till femton, med fem sekunder som standard. Upplösning är en storleksklass: 480p, 768p, 1080p eller 2k. Dokumenterade bildutsnittsval är 21:9, 16:9, 4:3, 1:1, 3:4 och 9:16. Välj 16:9 eller 9:16 för text- och referens-till-video i 1080p eller 2k; anpassningsbart referensbildutsnitt dokumenteras i 480p och 768p. Bild-till-video följer den första bildens proportioner, så beskär före generering när den nödvändiga formen ändras. Granska det färdiga resultatets faktiska dimensioner i stället för att anta att en storleksklass innebär ett konventionellt pixelpar.

Modellguiden anger MP4-video med H.264-bildkodning och AAC-ljud vid 32 kHz stereo. En generering bearbetas asynkront och det färdiga jobbet ger den spelbara videons adress, längd och dimensioner. Den signerade videoadressen kan förnyas genom att hämta jobbet igen. Bevara det faktiska klippet, referensmaterial och uppdrag för en redigeringsgranskning. En väntande eller pågående bearbetningspost spårar genereringen; den färdiga videon är produktionsleveransen att bedöma avseende bild, tal och ljud.

Tillverkaren dokumenterar promptförbättringsvalen turbo, quality och disabled; disabled behåller den förberedda ordalydelsen som den skrivits. Ett fast seed är användbart när en ändring av en sats jämförs med övriga indata oförändrade. Registrera valt seed och inställningar tillsammans med tagningsuppdraget. Håll en avsedd fras kort för text på skärmen och stava den exakt; guiden rekommenderar att stycken, finstilt text och märkta diagram läggs in i komposition efteråt. Kontrollera varje synligt tecken i en genererad titel i stället för att anta att ordalydelsen återgivits korrekt.

Guiden identifierar lång skärmtext, mjuka organiska rörelser som kronblad, papper eller hår samt hantering av föremål med händerna i närbild som mindre tillförlitliga områden. Låt en tydligt skriven replik förmedla stegen i en procedurförklaring medan bilden visar en stabil person eller ett objekt; använd separat verifierat bildmaterial när den fysiska operationen i sig måste vara exakt. Granska hela tagningen avseende objektkontinuitet, kontakt, ansikts- och handdetaljer, dialog och ljud. En kort lista över vad som ska ändras i nästa tagning håller ett detaljerat produktionsuppdrag praktiskt.