¿Cómo elegir una API de voz a video? Genera un video de presentación con locución a partir de un audio o un guion

En resumen: una API de voz a video recibe un guion o un archivo de audio y devuelve un video de una persona diciéndolo, con la sincronización labial correcta. En HiAPI hay dos: HeyGen Avatar IV usa una foto tuya como presentador, y HeyGen Avatar V ofrece 497 presentadores predefinidos y además puede generar fondo transparente y subtítulos. Ambos cuestan $0.15 por segundo de video: un video de 10 segundos cuesta $1.50, y los dos aceptan tanto un guion escrito (102 voces disponibles) como tu propia grabación. Pruébalo ahora: abre la página del modelo Avatar IV, sube un retrato, escribe una frase y la persona de la foto empieza a hablar. Los nuevos usuarios reciben 200 créditos al registrarse.

Los dos modelos de un vistazo

	HeyGen Avatar IV	HeyGen Avatar V
Nombre del modelo	heygen-avatar-iv	heygen-avatar-v
Presentador	Tu foto (image_url)	Uno de los 497 predefinidos (avatar)
Forma de conducción	prompt (guion, máximo 5000 caracteres) o audio_url (máximo 600 segundos)	Igual
Voz para el guion	102 voces, por defecto Warm Pro Narrator	Las mismas 102
Resolución	720p o 1080p, mismo precio	720p, 1080p o 4k
Relación de aspecto	16:9, 9:16, 4:5, 5:4, 1:1, auto	16:9, 9:16, etc.
Capacidades adicionales	Relleno de fondo con color sólido o imagen	WebM transparente, subtítulos SRT
Precio	$0.15 por segundo	$0.15 por segundo

Precio actual de HiAPI, verificado el 16 de octubre de 2026.

No hace falta indicar la duración. Si das un guion, la longitud depende del número de palabras y del ritmo de la voz; si das un audio, el video dura lo mismo que la grabación. Estimar el precio es estimar el tiempo de lectura.

Con guion: Avatar IV, una sola foto

Una explicación de 9 segundos en 1080p a partir de un retrato, $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.

Generar con este guion → (sube tu foto, elige la voz Cute Chloe - Friendly, 1080p, 16:9)

heygen-avatar-iv, 1080p, 16:9, 9 segundos, $1.35. El suéter, el peinado y la habitación provienen de la foto; los labios, los parpadeos y los asentimientos siguen la voz.

{
  "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"
  }
}

Con guion: Avatar V, presentadores predefinidos

Sin foto. Daniel en la oficina, 1080p, unos 8 segundos, $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.

Generar con este guion → (elige el presentador y la voz en la página, 1080p, 16:9)

heygen-avatar-v, 1080p, 16:9, unos 8 segundos, $1.20.

Con tu propio audio

Sustituye prompt y voice por audio_url. Los labios siguen tu grabación, que puede durar hasta 600 segundos, y el precio sigue siendo $0.15 por segundo de salida:

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

Úsalo cuando un actor de doblaje ya haya grabado la voz y quieras ponerle imagen a una pista existente, o cuando la voz provenga de un modelo de síntesis de voz que prefieras.

Cómo elegir según el caso

• El presentador debe ser una persona real, como un fundador, un profesor o un cliente: Avatar IV con la foto de esa persona.
• No tienes foto o no quieres usar una: los presentadores predefinidos de Avatar V.
• Necesitas fondo transparente para superponerlo sobre diapositivas o un archivo de subtítulos SRT: Avatar V.
• Necesitas 4K: Avatar V; Avatar IV llega como máximo a 1080p.
• Quieres formato vertical a partir de un retrato vertical: Avatar IV, con aspect_ratio en 9:16 o auto.
• Precio: igual en ambos; elige según los puntos anteriores.

Cuánto cuesta

Duración	Precio
5 segundos	$0.75
10 segundos	$1.50
30 segundos	$4.50
60 segundos	$9.00

Con $10 puedes generar unos 66 segundos, suficiente para probar varios guiones con una foto o un presentador predefinido. Si puedes eliminar la introducción, elimínala: una frase menos es un tramo menos en la factura. Si falla, se reembolsa automáticamente.

Integración en tres pasos

1. POST /v1/tasks, con "model" en heygen-avatar-iv o heygen-avatar-v, y input como se indica arriba. Los parámetros se validan estrictamente; si envías un duration adicional, devuelve HTTP 400.
2. Consulta GET /v1/tasks/{taskId} repetidamente o recibe el callback, hasta que status sea success (fail y failed se tratan como fallo).
3. Descarga output[0].url; el enlace caduca.

Preguntas frecuentes

¿Se puede enviar solo audio sin guion?

Sí, con ambos modelos. Pon el enlace público del audio en audio_url y no envíes prompt ni voice. El audio puede durar hasta 600 segundos.

¿720p y 1080p cuestan lo mismo?

Sí, cuestan lo mismo: ambos modelos cuestan $0.15 por segundo, así que elige directamente 1080p. La API usa 720p por defecto, así que debes indicar resolution tú mismo.

¿Qué idiomas son compatibles?

El guion puede estar en inglés o chino; el video generado a partir de audio sigue el idioma de la grabación.

¿Hay cargos por video o mensuales?

No. Se cobra por los segundos de video generados y no se cobra si falla.

Consulta el código paso a paso en el tutorial de la API de Avatar IV y en el tutorial de la API de Avatar V, y la comparación entre ambos en Avatar IV vs Avatar V. También puedes copiar directamente el guion de Lin de arriba y crear tu primer video de una foto que habla.