Sprach-zu-Video-API: Wie wählt man sie aus? Ein Audio oder Skript erzeugt ein Sprechervideo

Fazit vorweg: Eine Sprach-zu-Video-API nimmt ein Skript oder eine Audiodatei entgegen und liefert ein Video zurück, in dem eine Person es spricht, mit passender Lippenbewegung. Bei HiAPI gibt es zwei: HeyGen Avatar IV verwendet ein Foto von dir als Sprecher, HeyGen Avatar V bietet 497 vorgefertigte Sprecher und kann zusätzlich transparente Hintergründe und Untertitel ausgeben. Beide kosten 0,15 $ pro Videosekunde, ein 10-Sekunden-Video kostet 1,50 $, und beide akzeptieren sowohl getippte Skripte (102 Stimmen zur Auswahl) als auch deine eigene Aufnahme. Jetzt ausprobieren: Avatar-IV-Modellseite öffnen, ein Porträt hochladen, einen Satz eintippen, und die Person auf dem Foto beginnt zu sprechen. Neue Nutzer erhalten bei der Registrierung 200 Punkte.

Die beiden Modelle auf einen Blick

	HeyGen Avatar IV	HeyGen Avatar V
Modellname	heygen-avatar-iv	heygen-avatar-v
Sprecher	Dein Foto (image_url)	Einer von 497 vorgefertigten (avatar)
Steuerung	prompt (Skript, max. 5000 Zeichen) oder audio_url (max. 600 Sekunden)	Gleich
Skript-Vertonung	102 Stimmen, Standard: Warm Pro Narrator	Ebenfalls 102
Auflösung	720p oder 1080p, gleicher Preis	720p, 1080p oder 4k
Seitenverhältnis	16:9, 9:16, 4:5, 5:4, 1:1, auto	16:9, 9:16 usw.
Zusätzliche Funktionen	Einfarbiger oder bildbasierter Hintergrund	Transparentes WebM, SRT-Untertitel
Preis	0,15 $ pro Sekunde	0,15 $ pro Sekunde

HiAPI aktueller Preis, überprüft am 16. Oktober 2026.

Die Dauer musst du nicht angeben. Bei einem Skript richtet sie sich nach der Zeichenzahl und dem Sprechtempo der Stimme; bei Audio ist das Video so lang wie die Aufnahme. Die Kostenschätzung ist also eine Schätzung der Sprechzeit.

Mit Skript: Avatar IV, ein Foto

Eine 9-sekündige 1080p-Erklärung aus einem Porträt, 1,35 $:

Hi, I'm Lin. With one photo and a short script, I can present your product or
record a lesson, with natural lip-sync and expressions.

Mit diesem Skript generieren → (dein Foto hochladen, Stimme Cute Chloe - Friendly wählen, 1080p, 16:9)

heygen-avatar-iv, 1080p, 16:9, 9 Sekunden, 1,35 $. Pullover, Frisur und Raum stammen aus dem Foto; Lippenbewegung, Blinzeln und Nicken folgen der Stimme.

{
  "model": "heygen-avatar-iv",
  "input": {
    "image_url": "https://your-cdn.example.com/portrait.jpg",
    "prompt": "Hi, I'm Lin. With one photo and a short script, I can present your product or record a lesson, with natural lip-sync and expressions.",
    "voice": "Cute Chloe - Friendly",
    "resolution": "1080p",
    "aspect_ratio": "16:9"
  }
}

Mit Skript: Avatar V, vorgefertigte Sprecher

Kein Foto nötig. Daniel im Büro, 1080p, ca. 8 Sekunden, 1,20 $:

Hi, I'm Daniel. Send me your quarterly numbers, and I'll walk your team
through what changed and what to do next.

Mit diesem Skript generieren → (auf der Seite Sprecher und Stimme wählen, 1080p, 16:9)

heygen-avatar-v, 1080p, 16:9, ca. 8 Sekunden, 1,20 $.

Mit deinem eigenen Audio

Ersetze prompt und voice durch audio_url. Die Lippenbewegung folgt deiner Aufnahme, die Aufnahme darf max. 600 Sekunden lang sein, der Preis bleibt 0,15 $ pro Ausgabesekunde:

{
  "model": "heygen-avatar-v",
  "input": {
    "avatar": "Abigail Office Front",
    "audio_url": "https://your-cdn.example.com/voiceover.mp3",
    "resolution": "1080p",
    "aspect_ratio": "9:16"
  }
}

Verwende diese Variante, wenn der Sprecher bereits aufgenommen ist und du eine fertige Tonspur bebildern willst, oder wenn die Stimme aus einem Sprachsynthesemodell stammt, das du bevorzugst.

Auswahl nach Szenario

• Der Sprecher muss eine bestimmte reale Person sein, Gründer, Lehrer, Kunde: Avatar IV mit dem Foto dieser Person.
• Kein Foto, oder du möchtest keins verwenden: die vorgefertigten Sprecher von Avatar V.
• Transparenter Hintergrund zum Überlagern auf Folien oder eine SRT-Untertiteldatei: Avatar V.
• 4K gewünscht: Avatar V, Avatar IV max. 1080p.
• Hochformat aus einem Hochformat-Porträt: Avatar IV, aspect_ratio auf 9:16 oder auto setzen.
• Preis: gleich, entscheide nach den obigen Punkten.

Was kostet es

Dauer	Preis
5 Sekunden	0,75 $
10 Sekunden	1,50 $
30 Sekunden	4,50 $
60 Sekunden	9,00 $

Mit 10 $ erhältst du etwa 66 Sekunden, genug, um mit einem Foto oder einem vorgefertigten Sprecher mehrere Skripte auszuprobieren. Kürze die Begrüßung, wo möglich, jeder gesparte Satz senkt die Rechnung. Bei Fehlschlag wird automatisch erstattet.

In drei Schritten integrieren

1. POST /v1/tasks, "model" auf heygen-avatar-iv oder heygen-avatar-v setzen, input wie oben beschrieben. Parameter werden streng validiert, ein zusätzliches duration führt zu HTTP 400.
2. Polling mit GET /v1/tasks/{taskId} oder callback empfangen, bis status success ist (fail und failed gelten als Fehler).
3. output[0].url herunterladen, der Link läuft ab.

Häufige Fragen

Kann man statt eines Skripts direkt Audio übergeben?

Ja, mit beiden Modellen. Lege den öffentlichen Link des Audios in audio_url ab und übergib weder prompt noch voice. Das Audio darf max. 600 Sekunden lang sein.

Sind 720p und 1080p gleich teuer?

Gleich teuer, beide Modelle kosten 0,15 $ pro Sekunde, also wähle direkt 1080p. Die API verwendet standardmäßig 720p, resolution muss selbst angegeben werden.

Welche Sprachen werden unterstützt?

Das Skript kann Englisch oder Chinesisch sein; bei audiogesteuerten Videos richtet sich die Sprache nach der Aufnahme.

Gibt es Kosten pro Video oder pro Monat?

Nein. Die Abrechnung erfolgt nach den generierten Videosekunden, bei Fehlschlag wird nichts berechnet.

Schritt-für-Schritt-Code findest du im Avatar-IV-API-Tutorial und im Avatar-V-API-Tutorial, einen Vergleich beider unter Avatar IV vs Avatar V. Du kannst auch einfach das Skript von Lin oben kopieren und dein erstes sprechendes Foto-Video erstellen.