HeyGen Avatar V : la génération de vidéo à partir de texte illustrée : un clone numérique piloté par une vidéo de référence de 15 secondes

Vidéo explicative en voix off consacrée aux limites des capacités de HeyGen Avatar V : un avatar prédéfini apparaît à l'écran et détaille, point par point, le mécanisme central du modèle — l'apprentissage, à partir d'une vidéo de référence d'environ 15 secondes, du visage, des mouvements, des gestes et des expressions d'une personne réelle ; l'extraction des caractéristiques d'identité sur la base d'une fenêtre de contexte vidéo complète plutôt que d'une référence à image unique ; puis, après séparation de l'identité et de l'apparence, leur transfert vers un nouveau script, une nouvelle tenue, un nouveau décor, un nouveau cadrage et une nouvelle langue. Elle précise également qu'il prend en charge des vidéos d'avatar haute résolution de n'importe quelle durée, avec un contrôle de la synchronisation labiale et du jeu par l'audio de pilotage. La vidéo expose aussi les cas d'usage adaptés et inadaptés : les contenus sériels nécessitant la présence stable d'une personne (formation en entreprise, présentations marketing et commerciales en voix off, localisation multilingue, communication de dirigeants) s'y prêtent ; en revanche, l'animation ponctuelle d'une photo ou les personnages fictifs ne conviennent pas et doivent revenir à Avatar IV. Enfin, elle rappelle les points clés de coût et de conformité : facturation à 48 crédits par minute, d'où la nécessité de calculer à l'avance pour les vidéos longues ; tout clone d'une personne réelle exige une autorisation écrite explicite, et il convient de vérifier si le forfait souscrit donne accès à ce modèle. Sur le plan de la composition, cette œuvre est entièrement générée via le parcours piloté par texte de la ligne de l'auteur : on spécifie un avatar prédéfini, une voix TTS, une résolution, un format d'image et un arrière-plan, on soumet le script de la voix off, et l'on obtient une vidéo d'avatar au rythme d'explication, avec en option des sous-titres SRT. Les développeurs peuvent ainsi consulter un instantané réel des entrées de cette ligne dans un scénario text-to-video et comprendre comment les champs avatar, voice, resolution, aspect_ratio, background, etc., se combinent pour produire une vidéo finalisée directement exploitable pour la présentation de produit et la formation.