OmniHuman 1.5 vs HeyGen Avatar IV: как выбрать говорящий аватар с аудиодрайвом?

Если аудиозапись уже есть — выбирайте OmniHuman 1.5; если у вас только текст и вы хотите, чтобы модель сама озвучила его — выбирайте HeyGen Avatar IV.

Обе модели уже доступны на HiAPI. Откройте страницу модели OmniHuman 1.5, чтобы сразу получить видео из портрета и аудиозаписи; откройте страницу модели HeyGen Avatar IV, введите текст и голос — и аватар заговорит.

Все различия в одной таблице

	OmniHuman 1.5	HeyGen Avatar IV
Обязательные входные данные	Изображение портрета + аудио	Фото реального человека + текст и голос, либо аудио
Способ управления	Аудио управляет артикуляцией, мимикой и телом, промпт лишь корректирует жесты и камеру	Текст плюс голос сразу генерируют речь, также принимается аудиозапись
Максимальная длина аудио	До 60 секунд, для коротких роликов до 15 секунд движения стабильнее	До 600 секунд, текст — до 5000 символов
Разрешение и значение по умолчанию	720p / 1080p по одной цене, по умолчанию 1080p	720p / 1080p, по умолчанию 720p
Формат кадра	Наследуется от изображения портрета	Можно задать aspect_ratio и заливку фона
Маски для нескольких людей	До 5 штук, область говорящего — белая	Ввод масок не поддерживается
Субъекты, не являющиеся реальными людьми	Реальные люди, питомцы, аниме-персонажи	Фото реальных людей
Цена за секунду	$0.193	$0.15

Разница не только в цене. OmniHuman 1.5 принимает образы, отличные от реальных людей, и позволяет указать, кто говорит на групповом снимке; HeyGen Avatar IV избавляет от необходимости записывать аудио и может озвучить ролик длиной до десяти минут.

Как выглядят реальные ролики обеих моделей?

OmniHuman 1.5	HeyGen Avatar IV
	HeyGen Avatar IV: горизонтальный цифровой аватар, говорящий по тексту

В двух роликах использованы разные фотографии портретов и разные аудио: показан стиль выдачи каждой модели, а не сравнение на одном материале. Ролик OmniHuman 1.5 — это поясной портрет 16:9, 1080p, около 8 секунд китайской речи; ролик HeyGen Avatar IV — горизонтальный цифровой аватар, говорящий по тексту.

При просмотре этих двух роликов обращайте внимание на манеру подачи: как движется тело между фразами, где строится композиция, стабилен ли взгляд. Чтобы понять, похож ли аватар на конкретного человека, надёжнее прогнать по одному ролику со своим фото.

Как выбрать по сценарию?

• Аудиозаписи ещё нет, есть только текст → HeyGen Avatar IV, текст плюс голос — и аватар сразу заговорит.
• Субъект — питомец, аниме-персонаж или иллюстрация → OmniHuman 1.5, принимает образы, не являющиеся реальными людьми.
• На групповом снимке должен говорить только один человек → OmniHuman 1.5, до 5 масок, указание для каждого человека отдельно.
• Непрерывная речь дольше 60 секунд → HeyGen Avatar IV, один ролик до 600 секунд.
• Нужен 1080p без доплаты и формат кадра по фото → OmniHuman 1.5; нужно фиксированное соотношение сторон или однотонный фон → HeyGen Avatar IV, можно задать aspect_ratio и фон.

Если аудиозапись уже есть, подойдут обе модели — тогда выбирайте по формату кадра, предельному времени и цене. OmniHuman 1.5 дороже за секунду и ограничен 60 секундами на ролик; если субъект — реальный человек и ролик длинный, HeyGen Avatar IV дешевле и проще.

Сколько стоит один ролик?

Длительность	OmniHuman 1.5	HeyGen Avatar IV
8 секунд	$1.544	$1.20
15 секунд	$2.895	$2.25
60 секунд	$11.58	$9.00
600 секунд	не поддерживается для одного ролика	$90.00

OmniHuman 1.5 стоит $0.193 за секунду, что примерно на 29% дороже $0.15 у HeyGen Avatar IV; на 8 секундах разница составляет $0.344, и чем длиннее ролик, тем она больше. OmniHuman 1.5 тарифицируется по выходным секундам с округлением вверх, 720p, 1080p, fast_mode, маски и seed не увеличивают цену, поэтому разрешение можно смело выбирать высокое. При отправке задачи предварительно списывается $3.86 за 20 секунд, а после завершения доначисляется или возвращается разница по фактическим секундам.

Коротко: необычные материалы и короткие ролики — OmniHuman 1.5; текст и длинные ролики — HeyGen Avatar IV.

Сложно ли переключиться с одной модели на другую?

Несложно. Обе модели используют POST https://api.hiapi.ai/v1/tasks, один и тот же API Key, и результат забирается через GET https://api.hiapi.ai/v1/tasks/{taskId}. Для переключения нужно изменить только два места:

• model: omnihuman-1.5 или heygen-avatar-iv.
• input: для OmniHuman 1.5 обязательны image_url и audio_url, опционально prompt, mask_urls, resolution, fast_mode, seed; для HeyGen Avatar IV передаётся портрет с текстом и голосом либо сразу audio_url.

Если в вашем пайплайне уже передаются портрет и аудиозапись, достаточно сменить model, чтобы перейти на HeyGen Avatar IV. Для обратного переключения потребуется добавить аудиозапись — не забудьте сохранить аудиофайлы или шаг синтеза речи из текста.

Частые вопросы

Может ли OmniHuman 1.5 генерировать речь прямо из текста? Нет, необходимо передать audio_url. Чтобы текст сразу озвучивался, используйте HeyGen Avatar IV: текст плюс голос.

Может ли HeyGen Avatar IV управлять питомцами или аниме-персонажами? Он рассчитан на фотографии реальных людей. Для питомцев, аниме-персонажей и иллюстраций используйте OmniHuman 1.5.

Что делать, если ролик для OmniHuman 1.5 длиннее 60 секунд? Предел одного ролика — 60 секунд. Разбейте речь на несколько частей и генерируйте по отдельности либо отдайте весь ролик HeyGen Avatar IV, где максимум 600 секунд.

Могут ли обе модели выдавать 1080p? Обе могут. OmniHuman 1.5 по умолчанию выдаёт 1080p, 720p стоит столько же, так что понижение разрешения не экономит деньги; HeyGen Avatar IV по умолчанию 720p, для 1080p нужно выбрать явно.

Если материалы под рукой — сразу начинайте: когда есть и портрет, и аудиозапись, перейдите на страницу модели OmniHuman 1.5, загрузите изображение и аудио и получите первый ролик; если есть только текст, перейдите на HeyGen Avatar IV, выберите голос и дайте аватару заговорить.

Читайте также: Цены на OmniHuman 1.5 · 5 шаблонов промптов · Руководство по подключению через API