OmniHuman 1.5 vs HeyGen Avatar IV：como escolher para locução conduzida por áudio?

Se já tem o áudio gravado, escolha o OmniHuman 1.5; se só tem o texto e quer que o modelo gere a voz sozinho, escolha o HeyGen Avatar IV.

Os dois já estão disponíveis na HiAPI.Abra a página do modelo OmniHuman 1.5 e gere o vídeo direto com uma imagem de retrato e um áudio;abra a página do modelo HeyGen Avatar IV e basta inserir o texto e o timbre de voz para ele falar.

Entenda as diferenças em uma tabela

	OmniHuman 1.5	HeyGen Avatar IV
Entrada obrigatória	Imagem de retrato + áudio	Foto de pessoa real + texto e timbre de voz, ou áudio
Modo de condução	O áudio conduz a sincronia labial, as expressões e o corpo, o prompt só ajusta gestos e enquadramento	O texto com o timbre de voz gera a fala diretamente, também aceita gravação
Limite de áudio	Até 60 segundos, vídeos de até 15 segundos têm movimentos mais estáveis	Até 600 segundos, texto de até 5000 caracteres
Resolução e padrão	720p / 1080p pelo mesmo preço, padrão 1080p	720p / 1080p, padrão 720p
Proporção	Segue a imagem de retrato	Permite escolher aspect_ratio e preenchimento do fundo
Máscaras para várias pessoas	Até 5, a área do falante em branco	Sem entrada de máscara
Sujeito não humano	Pessoas reais, animais de estimação, personagens de anime	Fotos de pessoas reais
Preço por segundo	$0.193	$0.15

A diferença não está só no preço. O OmniHuman 1.5 aceita personagens que não sejam pessoas reais e também permite indicar quem fala em uma foto em grupo; o HeyGen Avatar IV elimina a etapa de gravação e um único vídeo pode falar por até dez minutos.

Como ficam os vídeos reais dos dois modelos?

OmniHuman 1.5	HeyGen Avatar IV
	Avatar digital horizontal do HeyGen Avatar IV, com locução conduzida pelo texto

Os dois vídeos usam fotos de retrato e áudios diferentes, mostrando o estilo de cada modelo; não é uma comparação com o mesmo material. O trecho do OmniHuman 1.5 é um plano médio em 16:9, 1080p, com cerca de 8 segundos de locução em chinês; o trecho do HeyGen Avatar IV é um avatar digital horizontal conduzido pelo texto.

Ao ver os dois, observe principalmente a forma de expressão: como o corpo se move entre as frases, onde fica o enquadramento e se o olhar é firme. Para avaliar a semelhança com a pessoa real, é mais direto gerar um vídeo de cada modelo com a sua própria foto.

Como escolher por cenário?

• Ainda não tem áudio, só o texto → HeyGen Avatar IV, texto e timbre de voz geram a fala de uma vez.
• O sujeito é um animal de estimação, personagem de anime ou ilustração → OmniHuman 1.5, aceita personagens que não sejam pessoas reais.
• Só uma pessoa fala em uma foto em grupo → OmniHuman 1.5, até 5 máscaras, indicando pessoa por pessoa.
• Locução contínua acima de 60 segundos → HeyGen Avatar IV, até 600 segundos por vídeo.
• Quer 1080p sem custo extra e proporção conforme a foto → OmniHuman 1.5; quer proporção fixa ou fundo de cor sólida → HeyGen Avatar IV, permite definir aspect_ratio e o fundo.

Quando já tem o áudio, os dois funcionam; aí escolha por proporção, limite de duração e preço. O OmniHuman 1.5 é mais caro por segundo e cada vídeo para nos 60 segundos; se o sujeito é uma pessoa real e o vídeo é longo, o HeyGen Avatar IV sai mais barato e dá menos trabalho.

Quanto custa um vídeo?

Duração	OmniHuman 1.5	HeyGen Avatar IV
8 segundos	$1.544	$1.20
15 segundos	$2.895	$2.25
60 segundos	$11.58	$9.00
600 segundos	Não suportado por vídeo	$90.00

O OmniHuman 1.5 custa $0.193 por segundo, cerca de 29% mais caro que os $0.15 do HeyGen Avatar IV; em 8 segundos a diferença é de $0.344, e quanto mais longo o vídeo, maior a diferença. O OmniHuman 1.5 cobra pelos segundos de saída arredondados para cima, e 720p, 1080p, fast_mode, máscaras e seed não têm acréscimo, então pode escolher a resolução mais alta sem preocupação. Ao enviar a tarefa, são reservados $3.86 por 20 segundos, e ao concluir é cobrada a diferença ou devolvido o excedente conforme os segundos reais.

Em resumo: material especial e vídeo curto, use o OmniHuman 1.5; dependência do texto e vídeo longo, use o HeyGen Avatar IV.

É complicado passar de um para o outro?

Não. Os dois modelos usam POST https://api.hiapi.ai/v1/tasks, com a mesma API Key, e buscam o resultado em GET https://api.hiapi.ai/v1/tasks/{taskId}. A troca muda apenas dois pontos:

• model: omnihuman-1.5 ou heygen-avatar-iv.
• input: o OmniHuman 1.5 exige image_url e audio_url, com prompt, mask_urls, resolution, fast_mode e seed opcionais; o HeyGen Avatar IV recebe o retrato com texto e timbre de voz, ou diretamente o audio_url.

Um pipeline que já envia retrato e áudio pode mudar só o model para usar o HeyGen Avatar IV. Na volta, é preciso acrescentar o áudio, então lembre-se de guardar o arquivo de áudio ou a etapa de conversão de texto em fala.

Perguntas frequentes

O OmniHuman 1.5 consegue gerar fala diretamente a partir de texto? Não, é obrigatório fornecer audio_url. Para o texto virar fala direto, use o HeyGen Avatar IV, basta o texto com o timbre de voz.

O HeyGen Avatar IV consegue conduzir animais de estimação ou personagens de anime? Ele é voltado para fotos de pessoas reais. Para sujeitos como animais de estimação, personagens de anime e ilustrações, use o OmniHuman 1.5.

E se o OmniHuman 1.5 passar de 60 segundos? O limite por vídeo é 60 segundos. Divida a locução em vários trechos e gere separadamente, ou entregue o vídeo inteiro ao HeyGen Avatar IV, com até 600 segundos.

Os dois geram em 1080p? Sim, os dois. O OmniHuman 1.5 já vem em 1080p por padrão, e 720p tem o mesmo preço, então baixar a resolução não economiza; o HeyGen Avatar IV vem em 720p por padrão e o 1080p precisa ser escolhido explicitamente.

Com o material em mãos, é só começar: se tem o retrato e o áudio, vá à página do modelo OmniHuman 1.5 e envie a imagem e o áudio para gerar o primeiro vídeo; se só tem o texto, vá ao HeyGen Avatar IV, escolha um timbre de voz e deixe-o falar.

Leitura relacionada: Preço do OmniHuman 1.5 · 5 modelos de prompt · Tutorial de integração via API