音声から動画への API はどう選ぶ？1 本の音声または原稿からリップシンク動画を生成

結論から言うと： 音声から動画への API とは、原稿または音声ファイルを渡すと、それを話す人物の動画を返し、口の動きが一致するものです。HiAPI には 2 つあります。HeyGen Avatar IV は自分の写真をそのまま話者として使います。HeyGen Avatar V は 497 個のプリセット話者を提供し、透明背景や字幕も出力できます。どちらも動画 1 秒あたり $0.15、10 秒で $1.50 で、入力した原稿（102 種類の音声から選択可能）も自分の録音も受け付けます。今すぐ試せます：Avatar IV のモデルページを開くで、人物写真をアップロードし、一文入力すれば、写真の人物が話し始めます。新規ユーザー登録で 200 クレジット進呈。

2 つのモデルをひと目で理解

	HeyGen Avatar IV	HeyGen Avatar V
モデル名	heygen-avatar-iv	heygen-avatar-v
話者	あなたの写真（image_url）	497 個のプリセットの 1 つ（avatar）
駆動方式	prompt（原稿、最大 5000 文字）または audio_url（最大 600 秒）	同じ
原稿の読み上げ	102 種類の音声、デフォルトは Warm Pro Narrator	同じく 102 種類
解像度	720p または 1080p、同価格	720p、1080p または 4k
アスペクト比	16:9、9:16、4:5、5:4、1:1、auto	16:9、9:16 など
追加機能	単色または画像背景の塗りつぶし	透明 WebM、SRT 字幕
価格	1 秒あたり $0.15	1 秒あたり $0.15

HiAPI の現行価格、2026 年 10 月 16 日確認。

再生時間を渡す必要はありません。原稿を渡した場合は文字数と音声の話速に応じて長さが決まり、音声を渡した場合は動画が録音と同じ長さになります。見積もりは読み上げ時間の見積もりです。

原稿を使う：Avatar IV、写真 1 枚

人物写真 1 枚から生成した 9 秒の 1080p 解説、$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.

この原稿で生成 →（あなたの写真をアップロードし、音声は Cute Chloe - Friendly を選択、1080p、16:9）

heygen-avatar-iv、1080p、16:9、9 秒、$1.35。セーター、髪型、部屋は写真から。口の動き、まばたき、うなずきは音声に合わせて動く。

{
  "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"
  }
}

原稿を使う：Avatar V、プリセット話者

写真は不要。オフィスにいる Daniel、1080p、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.

この原稿で生成 →（ページ上で話者と音声を選択、1080p、16:9）

heygen-avatar-v、1080p、16:9、約 8 秒、$1.20。

自分の音声を使う

prompt と voice を audio_url に置き換えます。口の動きはあなたの録音に合わせて動き、録音は最大 600 秒、価格は出力 1 秒あたり $0.15 のまま：

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

声優がすでに録音済みで既存の音声トラックに映像を付けたい場合、または音声が好みの音声合成モデル由来の場合は、この方法を使います。

シーン別の選び方

• 話者が特定の実在人物である必要がある場合、創業者、教師、顧客：Avatar IV にその人物の写真を指定。
• 写真がない、または写真を使いたくない：Avatar V のプリセット話者。
• 透明背景でスライドに重ねたい、または SRT 字幕ファイルが必要：Avatar V。
• 4K が必要：Avatar V。Avatar IV は最大 1080p。
• 縦向きの人物写真から縦型動画を生成：Avatar IV。aspect_ratio に 9:16 または auto を指定。
• 価格：同じ。上記の項目で選ぶ。

料金

長さ	価格
5 秒	$0.75
10 秒	$1.50
30 秒	$4.50
60 秒	$9.00

$10 で約 66 秒生成でき、写真 1 枚またはプリセット話者 1 つでいくつかの原稿を試すのに十分です。冒頭の挨拶は削れるなら削り、一文減らせば請求額もその分減ります。失敗時は自動返金。

3 ステップで導入

1. POST /v1/tasks で、"model" に heygen-avatar-iv または heygen-avatar-v を指定し、input は上記のように記述。パラメータは厳密に検証され、duration を余分に渡すと HTTP 400 が返ります。
2. GET /v1/tasks/{taskId} をポーリングするか callback を受信し、status が success になるまで待つ（fail と failed はどちらも失敗として扱う）。
3. output[0].url をダウンロード。リンクは期限切れになります。

よくある質問

原稿を渡さず、音声だけを直接渡せますか？

はい、両モデルとも可能です。音声の公開リンクを audio_url に入れ、prompt と voice は渡しません。音声は最大 600 秒。

720p と 1080p は同価格ですか？

同価格です。両モデルとも 1 秒あたり $0.15 なので、そのまま 1080p を選ぶのがおすすめです。API のデフォルトは 720p なので、resolution は自分で指定する必要があります。

対応言語は？

原稿は英語または中国語が使えます。音声駆動の動画は録音内の言語に従います。

本数単位や月額の料金はありますか？

ありません。生成した動画の秒数に応じた課金で、失敗時は課金されません。

ステップごとのコードは Avatar IV API チュートリアル と Avatar V API チュートリアル、両者の比較は Avatar IV vs Avatar V を参照。上記の Lin の原稿をそのままコピーして、最初の喋る写真動画を作ることもできます。