使用ガイド
HeyGen Avatar IV と Avatar V の選び方：自分の写真を使うか、プリセットデジタルヒューマンを使うか
自分の写真があるなら Avatar IV、透明背景・SRT 字幕・4K が必要なら Avatar V。どちらも毎秒 $0.15。実際の完成動画とシーン別の選定表付き。
自分の写真があり「この人物」に出演させたいなら HeyGen Avatar IV。自分の姿が不要で、透明背景・SRT 字幕・4K が必要なら HeyGen Avatar V を選びます。どちらも毎秒 $0.15 なので、どちらを選んでも予算は変わりません。
HeyGen Avatar IV は HiAPI で公開中です。モデルページを開くと、人物の写真を1枚アップロードし、セリフを書くだけで話す動画を生成できます。
1 つの表で違いを理解する
| Avatar IV | Avatar V | |
|---|---|---|
| 出演者の出どころ | アップロードした1枚の写真（image_url） |
497 体のプリセットデジタルヒューマンから選択（avatar） |
| 駆動方式 | セリフ + 102 個の音声、または音声 | 同左（同じ 102 個の音声セット） |
| 解像度 | 720p / 1080p | 720p / 1080p / 4k |
| アスペクト比 | 16:9、9:16、4:5、5:4、1:1、auto | 同左 |
| 背景 | アスペクト比が写真と異なる場合に余白を埋める（単色または画像） | 単色または画像背景、remove_background で元の背景を削除、fit で contain / cover を選択 |
| 透明背景 | — | output_format: webm |
| 字幕 | — | caption: true で SRT ファイルも返す |
| セリフの長さ | 5000 文字 | 5000 文字 |
| 価格 | $0.15 / 秒 | $0.15 / 秒 |
どちらを選ぶかを本当に決めるのは最初の行です。出演者が自分で用意した人物か、ライブラリから選んだ人物か。以降の行は Avatar V がポストプロダクションで追加で提供するものです。
出演者はどこから来る？
Avatar IV は写真1枚だけで十分です。写真に写っているのが誰であれば、動画でもそのままの人物になり、服、髪型、部屋もそのまま保持されます。以下の横長解説は 9 秒、1080p、16:9、音声は Cute Chloe - Friendly を選択：
口の動き、まばたき、軽いうなずきが音声に合わせて動きます。セリフ（大意：私は小林です。写真1枚と短いセリフで、あなたの製品を紹介したり授業を録画したりできます）：
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.
セリフは入力済み、写真をアップロードするだけで生成 → アスペクト比は 16:9、解像度は 1080p を選択。
Avatar V は写真不要で、497 体のプリセットデジタルヒューマンから1体選べば出演できます。以下はプリセットの Brandon Business Standing Front、音声は Jack Sterling - Broadcaster、1080p、16:9：
写真の要件は Avatar IV 側だけにあります。正面、顔のパーツが隠れていない、照明が均一、口が自然に閉じている単独の人物写真が最も安定します。イラストや 3D キャラクターでも、はっきりした顔があれば使用できます。
同じセリフを両方でそれぞれ生成する
2 組とも同じセリフ、同じ音声、1080p、16:9 で、それぞれ Avatar IV と Avatar V に渡します。音声とセリフが同じなので、両方の完成動画の長さも完全に同じになり、費用も同じです。
第 1 組：製品紹介（音声 Cute Chloe - Friendly、9 秒、$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.
Avatar IV：出演するのはアップロードしたセーター姿の人物写真で、部屋、髪型、服が写真と一致し、動くのは口の動き、まばたき、軽いうなずきです。
Avatar V：選んだプリセットは Abigail Office Front で、実写のキャスターが本棚と会議テーブルの前に立って話し、話しながらジェスチャーをします。
このセリフで生成 → セリフは入力済み、写真をアップロードするだけで生成できます。
第 2 組：顧客への報告（音声 Dexter - Professional、約 8 秒、$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.
Avatar IV：コンサルタントの半身写真で、背後には床から天井までの窓と都市のスカイライン、人物は写真のスーツと立ち位置を維持しています。
Avatar V：プリセットの Brandon Office Sitting Front で、オープンオフィスのデスクの後ろに座り、目の前にノート PC があります。
このセリフで生成 → セリフは入力済み、写真をアップロードするだけで生成できます。
2 組を並べて見ると：画面に指定した人物を出したいなら IV、プロのキャスターに話を明確に伝えてもらえばよいなら V でプリセットから選びます。
どうやって話させる？
この点は両方まったく同じです。セリフを書き、同じ 102 個のプリセット音声から1つ選ぶ。または録音をそのまま渡して口の動きを駆動します。セリフの上限はどちらも 5000 文字で、中国語も英語も可能です。
つまり同じスクリプト、同じ音声なら、モデルを変えても書き直しは不要です。違いは出演者だけ：Avatar IV は写真のリンクを渡し、Avatar V はキャラクター名を渡します。
画面と背景はどう処理する？
Avatar IV の背景は写真そのものの背景です。出力アスペクト比と写真の比率が異なり、画面に余白ができる場合にのみ background が役立ちます。#RRGGBB を渡して単色で埋めるか、画像を渡して埋めます。以下は横長の先生の写真を 9:16 の縦画面に入れ、上下を黒板の画像で埋めた 11 秒です：
Hello everyone. Today we'll explain the Pythagorean theorem in five minutes. In a right triangle, the squares of the two legs add up to the square of the hypotenuse.
セリフは入力済み、写真をアップロードするだけで生成 → アスペクト比は 9:16、背景は画像を選択して背景画像をアップロード。
Avatar V は背景でもっと多くのことができます。remove_background で元の背景を除去して単色や画像に置き換え、fit で人物を contain で全体を収めるか cover で埋めるかを決め、output_format: webm で透明背景を直接出力し、編集ソフトの任意の画面に重ねられます。
選定のヒント：Avatar V の実写プリセットには撮影時の背景が付いています（例えば上記 Brandon の背後のオフィス）。背景を統一したい動画では、まず短いセリフで1本試し、背景の効果を確認してからバッチ生成してください。
字幕と解像度
Avatar V で caption: true を渡すと、動画とは別に SRT 字幕ファイルが提供され、画面自体はクリーンなまま保たれ、字幕のスタイルは後から自分で決められます。以下の縦型の商品紹介は字幕を有効にしています：
解像度では、Avatar IV は 720p / 1080p、Avatar V はさらに 4k が選べます。大型スクリーンや 4K 納品には Avatar V、スマホや Web 配信なら 1080p で十分です。
価格差はどれくらい？
まったく差はなく、どちらも毎秒 $0.15 で、解像度は価格に影響しません。
| 長さ | Avatar IV | Avatar V |
|---|---|---|
| 10 秒 | $1.50 | $1.50 |
| 30 秒 | $4.50 | $4.50 |
どちらも生成動画の実際の秒数で課金され、価格はセリフの長さだけに関係します。詳しい長さ別価格表と月間予算は HeyGen Avatar IV API の価格をご覧ください。
シーン別の選び方は？
| シーン | どちらを選ぶ |
|---|---|
| ブランド代言人、講師、創業者本人の出演 | Avatar IV |
| イラストや 3D キャラクターを話させたい | Avatar IV |
| 適切な写真がなく、まずキャラクターを選んで動画を作りたい | Avatar V |
| 編集に重ねるため透明背景が必要 | Avatar V |
| 独立した字幕ファイルが必要 | Avatar V |
| 4K の完成動画が必要 | Avatar V |
よくある質問
2 つのモデルの価格は同じですか？ 同じです。どちらも毎秒 $0.15、10 秒 $1.50、30 秒 $4.50。
Avatar IV で自分の録音を使えますか？
使えます。audio_url を渡すと、口の動きと間が録音に合わせて動き、音声は最長 600 秒です。Avatar V も音声駆動に対応しています。
Avatar IV で透明背景や字幕を出力できますか？ 透明背景や SRT 字幕が必要なら Avatar V を使ってください。Avatar IV の強みは自分の写真で出演できることです。
カートゥーンや 3D キャラクターはどちらを使いますか？ Avatar IV を使い、キャラクター画像をアップロードするだけです。はっきりした顔があれば大丈夫です。
まず自分のキャラクターに話させよう
手元にイラストや 3D キャラクターの画像がありますか？以下のシェフのセリフは Avatar IV で 8 秒に生成されます：
Tonight's special is a slow-roasted tomato soup. It's simple, warm, and ready in twenty minutes. Let's cook!
セリフは入力済み、キャラクター画像をアップロードするだけで生成 → プリセットデジタルヒューマンから選びたい場合は、HeyGen Avatar V モデルページを開く。
