P-Video 2 Pro Avatar – Erste Schritte: Ein Portrait plus Audio oder Textskript erzeugt ein Sprecher-Video mit bis zu 3 Minuten Länge

P-Video 2 Pro Avatar ist ein Sprecher-Videomodell von Pruna AI: Man gibt ihm ein Portrait und dazu entweder eine Audiodatei oder ein Textskript, und es erzeugt ein Video, in dem diese Person spricht. Dieser Artikel erklärt, was das Modell kann, wie man es aufruft, wie die Kosten berechnet werden und wann man besser zu einem anderen Modell greift.

Was es kann

• Ein einziges Portrait genügt für den Auftritt: Pflichtangabe ist nur das Portraitbild image_url (jpg, jpeg, png, webp). Es ist das erste Frame des Videos; es wird kein Videomaterial und kein vorheriges Training eines Avatars benötigt.
• Zwei Steuerungsvarianten: Übergibt man Audio audio_url, entspricht die Videolänge der Audiolänge; übergibt man nur ein Textskript script (maximal 5000 Zeichen), wird es mit der integrierten Stimme vorgelesen. Ein Clip ist maximal 3 Minuten lang, bei 4k darf das Audio höchstens 125 Sekunden lang sein.
• Integrierte Stimmen zur Auswahl: 30 Stimmen (das Geschlecht ist im Namen angegeben, Standard ist Zephyr (Female)) in 10 Sprachen: US-Englisch, britisches Englisch, Spanisch, Französisch, Deutsch, Italienisch, brasilianisches Portugiesisch, Japanisch, Koreanisch und Hindi; Chinesisch ist derzeit nicht enthalten. In voice_prompt beschreibt man Tonfall, Sprechtempo und Emotion; dieser Text wird nicht vorgelesen.
• Der Prompt steuert das Bild: prompt (maximal 2000 Zeichen) beschreibt, wie die Person beim Sprechen aussieht, sich bewegt und welche Mimik sie zeigt; Standard ist „The person is talking.“.
• Fünf Auflösungsstufen: 480p, 768p, 1080p, 2k, 4k, Standard ist 768p.

Eingaberegeln

• Mindestens eines von beidem – Audio oder Textskript – muss angegeben werden. Gibt man beides an, hat das Audio Vorrang; script, voice, voice_language und voice_prompt bleiben dann ohne Wirkung.
• Gibt man keines von beiden an, schlägt die Aufgabe fehl mit dem Hinweis, eines davon zu ergänzen; die Kosten werden vollständig erstattet.
• Der Inhaltsfilter ist standardmäßig aktiv; regelwidrige Inhalte führen zum Fehlschlag mit CONTENT_POLICY_VIOLATION, die Kosten werden vollständig erstattet.

So ruft man es auf

Man reicht eine asynchrone Aufgabe ein und fragt nach Erhalt der taskId das Ergebnis ab:

curl https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "p-video-2-pro-avatar",
    "input": {
      "image_url": "https://example.com/portrait.png",
      "script": "Welcome to the course. Today we cover three ideas.",
      "voice": "Charon (Male)",
      "voice_language": "English (US)",
      "voice_prompt": "Calm and clear, moderate pace",
      "resolution": "768p"
    }
  }'

curl https://api.hiapi.ai/v1/tasks/<taskId> \
  -H "Authorization: Bearer $HIAPI_KEY"

Wenn man eine eigene Aufnahme verwendet, ersetzt man script und die Voice-Parameter einfach durch "audio_url": "https://example.com/voice.mp3". Nach erfolgreichem Abschluss enthält output die Video-URL.

Preise

Die Abrechnung erfolgt nach der Ausgabedauer des Videos; angefangene Sekunden werden nicht berechnet:

• 480p: $0.0286/Sekunde
• 768p: $0.0572/Sekunde
• 1080p: $0.0858/Sekunde
• 2k: $0.1143/Sekunde
• 4k: $0.1715/Sekunde

Beispiel: Ein 30-sekündiges 768p-Sprecher-Video kostet etwa $1,72, ein 30-sekündiges 480p-Video etwa $0,86. Bei übergebenem Audio wird nach der Audiolänge im Voraus abgebucht; bei reinem Textskript ist zum Zeitpunkt der Einreichung noch unbekannt, wie lange das Vorlesen dauert, daher wird zunächst nach 3 Minuten im Voraus abgebucht und nach Abschluss nach der tatsächlichen Videolänge abgerechnet, wobei zu viel Abgebuchtes erstattet wird. Fehlgeschlagene Aufgaben werden vollständig erstattet.

Wie man den Prompt schreibt

prompt beschreibt nur das Bild, nicht den Text. Man schreibt in der Reihenfolge „Erscheinungsbild der Person → Ausmaß der Bewegung → Mimik und Blickrichtung → Licht oder Kameraführung“, zum Beispiel:

• Kursvortrag: A calm instructor in a dark shirt, small head nods, steady eye contact, soft studio light
• Ausstellungsführung: A curator speaking warmly to camera, blinks naturally, warm gallery lighting

Tonfall und Rhythmus schreibt man in voice_prompt, zum Beispiel „Speak softly, small pauses between sentences“.

Wann man besser ein anderes Modell wählt

• Wenn man die Lippenbewegungen einer Person in einem bestehenden Video an neues Audio anpassen möchte oder ein Bild-zu-Video ohne sprechende Person braucht: Dafür ist P-Video 2 Pro Avatar nicht gedacht; hier wählt man das passende Videobearbeitungs- bzw. Bild-zu-Video-Modell.
• Wenn man eine Person im Video durch eine andere ersetzen und dabei die Bewegungen und die Kameraführung des Originalvideos beibehalten möchte: Dafür nimmt man P-Video 2 Pro Replace aus derselben Serie.

Um das Ergebnis direkt auszuprobieren, kann man im HiAPI Playground ein Portrait hochladen und ein Textskript schreiben, um es zu erzeugen.