Como escolher a API de fala para vídeo? Gere um vídeo de apresentação a partir de um áudio ou roteiro

Resumo direto: a API de fala para vídeo recebe um roteiro ou um arquivo de áudio e devolve um vídeo de alguém dizendo aquele texto, com sincronia labial correta. No HiAPI há duas: HeyGen Avatar IV usa uma foto sua como apresentador, e HeyGen Avatar V oferece 497 apresentadores predefinidos, além de fundo transparente e legendas. As duas custam $0,15 por segundo de vídeo — $1,50 para um vídeo de 10 segundos — e ambas aceitam tanto roteiro digitado (102 vozes disponíveis) quanto sua própria gravação. Teste agora: abra a página do modelo Avatar IV, envie um retrato e digite uma frase, e a pessoa da foto começa a falar. Novos usuários ganham 200 créditos ao se cadastrar.

Os dois modelos em resumo

	HeyGen Avatar IV	HeyGen Avatar V
Nome do modelo	heygen-avatar-iv	heygen-avatar-v
Apresentador	Sua foto (image_url)	Um dos 497 predefinidos (avatar)
Forma de acionamento	prompt (roteiro, até 5000 caracteres) ou audio_url (máximo de 600 segundos)	Igual
Voz do roteiro	102 vozes, padrão Warm Pro Narrator	As mesmas 102
Resolução	720p ou 1080p, mesmo preço	720p, 1080p ou 4k
Proporção	16:9, 9:16, 4:5, 5:4, 1:1, auto	16:9, 9:16 etc.
Recursos extras	Preenchimento de fundo com cor sólida ou imagem	WebM transparente, legendas SRT
Preço	$0,15 por segundo	$0,15 por segundo

Preço atual do HiAPI, verificado em 16 de outubro de 2026.

Não é preciso informar a duração. Com roteiro, o comprimento segue o número de caracteres e o ritmo da voz; com áudio, o vídeo tem o mesmo comprimento da gravação. Estimar o custo é estimar o tempo de leitura.

Com roteiro: Avatar IV, uma foto

Uma explicação de 9 segundos em 1080p a partir de um retrato, $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.

Gerar com este roteiro → (envie sua foto, escolha a voz Cute Chloe - Friendly, 1080p, 16:9)

heygen-avatar-iv, 1080p, 16:9, 9 segundos, $1,35. O suéter, o penteado e o ambiente vêm da foto; lábios, piscadas e acenos acompanham a voz.

{
  "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"
  }
}

Com roteiro: Avatar V, apresentadores predefinidos

Sem foto. Daniel no escritório, 1080p, cerca de 8 segundos, $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.

Gerar com este roteiro → (escolha o apresentador e a voz na página, 1080p, 16:9)

heygen-avatar-v, 1080p, 16:9, cerca de 8 segundos, $1,20.

Com seu próprio áudio

Troque prompt e voice por audio_url. A sincronia labial segue sua gravação, que pode ter até 600 segundos, e o preço continua $0,15 por segundo de saída:

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

Use este modo quando um dublador já gravou a narração e você precisa dar imagem a uma faixa de áudio pronta, ou quando a voz vem de um modelo de síntese de fala que você prefere.

Como escolher por cenário

• O apresentador precisa ser uma pessoa real, como fundador, professor ou cliente: Avatar IV com uma foto dessa pessoa.
• Sem foto, ou sem querer usar foto: apresentadores predefinidos do Avatar V.
• Fundo transparente para sobrepor a slides, ou arquivo de legendas SRT: Avatar V.
• 4K: Avatar V; o Avatar IV vai até 1080p.
• Retrato vertical para tela vertical: Avatar IV, com aspect_ratio definido como 9:16 ou auto.
• Preço: igual; escolha pelos critérios acima.

Quanto custa

Duração	Preço
5 segundos	$0,75
10 segundos	$1,50
30 segundos	$4,50
60 segundos	$9,00

Com $10 dá para gerar cerca de 66 segundos, o suficiente para testar vários roteiros com uma foto ou um apresentador predefinido. Corte o que puder da abertura: uma frase a menos é um trecho a menos na conta. Falhas são reembolsadas automaticamente.

Integração em três passos

1. POST /v1/tasks, preencha "model" com heygen-avatar-iv ou heygen-avatar-v e monte input como acima. Os parâmetros passam por validação estrita; enviar um duration extra retorna HTTP 400.
2. Faça polling em GET /v1/tasks/{taskId} ou receba o callback, até status ser success (fail e failed contam como falha).
3. Baixe output[0].url; o link expira.

Perguntas frequentes

Dá para enviar só áudio, sem roteiro?

Sim, nos dois modelos. Coloque o link público do áudio em audio_url e não envie prompt nem voice. O áudio pode ter até 600 segundos.

720p e 1080p custam o mesmo?

Sim, os dois modelos custam $0,15 por segundo, então escolha 1080p direto. A API usa 720p por padrão, então é preciso definir resolution.

Quais idiomas são suportados?

O roteiro pode ser em inglês ou chinês; vídeos acionados por áudio seguem o idioma da gravação.

Há cobrança por vídeo ou mensal?

Não. A cobrança é por segundo de vídeo gerado, e falhas não são cobradas.

Veja o código passo a passo no tutorial da API do Avatar IV e no tutorial da API do Avatar V; a comparação entre os dois está em Avatar IV vs Avatar V. Você também pode copiar o roteiro da Lin acima e criar seu primeiro vídeo de foto falante.