Come scegliere un'API di voice-to-video? Genera un video parlato da un audio o da un testo

In sintesi: un'API di voice-to-video riceve un testo o un file audio e restituisce un video in cui una persona lo pronuncia, con il labiale sincronizzato. Su HiAPI ce ne sono due: HeyGen Avatar IV usa una tua foto come presentatore, HeyGen Avatar V offre 497 presentatori preimpostati e può generare sfondo trasparente e sottotitoli. Entrambi costano $0,15 per secondo di video, $1,50 per un video da 10 secondi, e accettano sia un testo digitato (con 102 voci tra cui scegliere) sia una tua registrazione. Puoi provarlo subito: apri la pagina del modello Avatar IV, carica un ritratto e scrivi una frase: la persona nella foto inizia a parlare. I nuovi utenti ricevono 200 crediti alla registrazione.

I due modelli a colpo d'occhio

	HeyGen Avatar IV	HeyGen Avatar V
Nome del modello	heygen-avatar-iv	heygen-avatar-v
Presentatore	la tua foto (image_url)	uno dei 497 preimpostati (avatar)
Modalità di guida	prompt (testo, max 5000 caratteri) oppure audio_url (max 600 secondi)	uguale
Doppiaggio del testo	102 voci, predefinita Warm Pro Narrator	le stesse 102
Risoluzione	720p o 1080p, stesso prezzo	720p, 1080p o 4k
Formato	16:9, 9:16, 4:5, 5:4, 1:1, auto	16:9, 9:16 e altri
Funzionalità aggiuntive	riempimento sfondo a tinta unita o con immagine	WebM trasparente, sottotitoli SRT
Prezzo	$0,15 al secondo	$0,15 al secondo

Prezzi HiAPI attuali, verificati il 16 ottobre 2026.

Non devi indicare la durata. Se fornisci un testo, la lunghezza dipende dal numero di caratteri e dal ritmo della voce; se fornisci un audio, il video dura quanto la registrazione. La stima coincide con il tempo di lettura.

Con un testo: Avatar IV, una foto

Una spiegazione di 9 secondi in 1080p da un ritratto, $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.

Genera con questo testo → (carica la tua foto, scegli la voce Cute Chloe - Friendly, 1080p, 16:9)

heygen-avatar-iv, 1080p, 16:9, 9 secondi, $1,35. Maglione, capelli e stanza provengono dalla foto; labiale, battito di ciglia e cenni del capo seguono la voce.

{
  "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 un testo: Avatar V, presentatori preimpostati

Nessuna foto necessaria. Daniel in ufficio, 1080p, circa 8 secondi, $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.

Genera con questo testo → (scegli presentatore e voce nella pagina, 1080p, 16:9)

heygen-avatar-v, 1080p, 16:9, circa 8 secondi, $1,20.

Con un tuo audio

Sostituisci prompt e voice con audio_url. Il labiale segue la tua registrazione, che può durare fino a 600 secondi, e il prezzo resta $0,15 al secondo di output:

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

Usa questa modalità quando un doppiatore ha già registrato la traccia, quando devi abbinare le immagini a una traccia audio esistente o quando la voce proviene da un modello di sintesi vocale che preferisci.

Come scegliere in base allo scenario

• Il presentatore deve essere una persona reale, un fondatore, un insegnante, un cliente: Avatar IV con la foto di quella persona.
• Non hai una foto o non vuoi usarla: i presentatori preimpostati di Avatar V.
• Vuoi uno sfondo trasparente da sovrapporre alle slide o un file di sottotitoli SRT: Avatar V.
• Vuoi il 4K: Avatar V; Avatar IV arriva al massimo a 1080p.
• Vuoi un video verticale da un ritratto verticale: Avatar IV, imposta aspect_ratio su 9:16 o auto.
• Prezzo: identico, scegli in base ai punti precedenti.

Quanto costa

Durata	Prezzo
5 secondi	$0,75
10 secondi	$1,50
30 secondi	$4,50
60 secondi	$9,00

Con $10 ottieni circa 66 secondi, sufficienti per provare diversi testi con una foto o con un presentatore preimpostato. Elimina le introduzioni superflue: una frase in meno è una voce in meno in fattura. In caso di errore il rimborso è automatico.

Integrazione in tre passaggi

1. POST /v1/tasks, imposta "model" su heygen-avatar-iv o heygen-avatar-v e compila input come sopra. I parametri sono validati in modo rigoroso: un duration di troppo restituisce HTTP 400.
2. Esegui il polling di GET /v1/tasks/{taskId} o ricevi il callback, finché status non è success (fail e failed sono entrambi considerati errori).
3. Scarica output[0].url: il link scade.

Domande frequenti

Posso fornire direttamente un audio senza testo?

Sì, con entrambi i modelli. Inserisci il link pubblico dell'audio in audio_url e non passare prompt e voice. L'audio può durare fino a 600 secondi.

720p e 1080p costano uguale?

Sì, entrambi i modelli costano $0,15 al secondo, quindi scegli direttamente il 1080p. L'API usa 720p come impostazione predefinita: devi specificare resolution.

Quali lingue sono supportate?

Il testo può essere in inglese o in cinese; nei video guidati da un audio la lingua segue quella della registrazione.

Ci sono costi per video o mensili?

No. La fatturazione è basata sui secondi di video generati; gli errori non vengono addebitati.

Per il codice passo passo vedi il tutorial dell'API Avatar IV e il tutorial dell'API Avatar V; per il confronto tra i due vedi Avatar IV vs Avatar V. Puoi anche copiare direttamente il testo di Lin qui sopra e creare il tuo primo video di una foto che parla.