Comment choisir une API de synthèse vocale en vidéo ? Générer une vidéo de présentation à partir d'un audio ou d'un script

En résumé : une API de synthèse vocale en vidéo prend un script ou un fichier audio et renvoie une vidéo où une personne le dit, avec une synchronisation labiale correcte. Sur HiAPI, il y en a deux : HeyGen Avatar IV utilise une de vos photos comme présentateur, HeyGen Avatar V propose 497 présentateurs prédéfinis et peut aussi produire un fond transparent et des sous-titres. Les deux coûtent 0,15 $ par seconde de vidéo, soit 1,50 $ pour 10 secondes, et acceptent aussi bien un script saisi (102 voix au choix) que votre propre enregistrement. À essayer dès maintenant : ouvrez la page du modèle Avatar IV, téléversez un portrait, tapez une phrase, et la personne sur la photo se met à parler. Les nouveaux utilisateurs reçoivent 200 crédits à l'inscription.

Les deux modèles en un coup d'œil

	HeyGen Avatar IV	HeyGen Avatar V
Nom du modèle	heygen-avatar-iv	heygen-avatar-v
Présentateur	votre photo (image_url)	l'un des 497 prédéfinis (avatar)
Mode de pilotage	prompt (script, 5000 caractères max) ou audio_url (600 secondes max)	identique
Voix du script	102 voix, Warm Pro Narrator par défaut	également 102
Résolution	720p ou 1080p, même prix	720p, 1080p ou 4k
Format d'image	16:9, 9:16, 4:5, 5:4, 1:1, auto	16:9, 9:16, etc.
Capacités supplémentaires	fond uni ou remplissage par image	WebM transparent, sous-titres SRT
Prix	0,15 $ par seconde	0,15 $ par seconde

Tarifs HiAPI actuels, vérifiés le 16 octobre 2026.

Pas besoin d'indiquer la durée. Avec un script, la longueur dépend du nombre de caractères et du débit de la voix ; avec un audio, la vidéo dure aussi longtemps que l'enregistrement. L'estimation du prix revient donc à estimer la durée de lecture.

Avec un script : Avatar IV, une seule photo

Une présentation de 9 secondes en 1080p à partir d'un portrait, 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.

Générer avec ce script → (téléversez votre photo, choisissez la voix Cute Chloe - Friendly, 1080p, 16:9)

heygen-avatar-iv, 1080p, 16:9, 9 secondes, 1,35 $. Le pull, la coiffure et la pièce proviennent de la photo ; la synchronisation labiale, les clignements et les hochements de tête suivent la voix.

{
  "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"
  }
}

Avec un script : Avatar V, présentateurs prédéfinis

Pas besoin de photo. Daniel au bureau, 1080p, environ 8 secondes, 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.

Générer avec ce script → (choisissez le présentateur et la voix sur la page, 1080p, 16:9)

heygen-avatar-v, 1080p, 16:9, environ 8 secondes, 1,20 $.

Avec votre propre audio

Remplacez prompt et voice par audio_url. La synchronisation labiale suit votre enregistrement, qui peut durer jusqu'à 600 secondes, et le prix reste de 0,15 $ par seconde de sortie :

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

Utilisez ce mode lorsque le comédien de doublage a déjà enregistré, lorsque vous voulez illustrer une piste audio existante, ou lorsque la voix provient d'un modèle de synthèse vocale que vous préférez.

Comment choisir selon le cas

• Le présentateur doit être une personne réelle précise, fondateur, professeur, client : Avatar IV avec une photo de cette personne.
• Pas de photo, ou vous ne voulez pas en utiliser : les présentateurs prédéfinis d'Avatar V.
• Fond transparent à superposer sur des diapositives, ou besoin d'un fichier de sous-titres SRT : Avatar V.
• Besoin de 4K : Avatar V ; Avatar IV plafonne à 1080p.
• Portrait vertical pour un format vertical : Avatar IV, avec aspect_ratio réglé sur 9:16 ou auto.
• Prix : identique ; choisissez selon les points ci-dessus.

Combien ça coûte

Durée	Prix
5 secondes	0,75 $
10 secondes	1,50 $
30 secondes	4,50 $
60 secondes	9,00 $

10 $ permettent d'obtenir environ 66 secondes, de quoi tester plusieurs scripts avec une photo ou un présentateur prédéfini. Supprimez l'introduction quand c'est possible : une phrase en moins, c'est un bout de facture en moins. Remboursement automatique en cas d'échec.

Intégration en trois étapes

1. POST /v1/tasks, renseignez "model" avec heygen-avatar-iv ou heygen-avatar-v, et écrivez input comme ci-dessus. Les paramètres sont validés de façon stricte : un duration en trop renvoie une erreur HTTP 400.
2. Interrogez GET /v1/tasks/{taskId} en boucle ou recevez le callback, jusqu'à ce que status passe à success (fail et failed sont tous deux traités comme un échec).
3. Téléchargez output[0].url ; le lien expire.

Questions fréquentes

Peut-on fournir directement un audio sans script ?

Oui, avec les deux modèles. Placez le lien public de l'audio dans audio_url, sans transmettre prompt ni voice. L'audio peut durer jusqu'à 600 secondes.

720p et 1080p sont-ils au même prix ?

Oui, les deux modèles coûtent 0,15 $ par seconde, donc choisissez directement 1080p. L'API utilise 720p par défaut ; il faut écrire resolution soi-même.

Quelles langues sont prises en charge ?

Le script peut être en anglais ou en chinois ; une vidéo pilotée par l'audio suit la langue de l'enregistrement.

Y a-t-il des frais par vidéo ou par mois ?

Non. La facturation se fait au nombre de secondes de vidéo générées ; les échecs ne sont pas facturés.

Le code pas à pas se trouve dans le tutoriel de l'API Avatar IV et le tutoriel de l'API Avatar V ; la comparaison des deux est dans Avatar IV vs Avatar V. Vous pouvez aussi copier directement le script de Lin ci-dessus pour créer votre première vidéo d'une photo qui parle.