Как выбрать API для преобразования речи в видео? Создание видео с говорящим человеком из аудио или текста

Сразу к выводу: API преобразования речи в видео — это когда вы передаёте текст или аудиофайл и получаете видео, в котором человек это произносит, с совпадающей артикуляцией губ. На HiAPI есть два варианта: HeyGen Avatar IV использует вашу фотографию в качестве ведущего, а HeyGen Avatar V предлагает 497 готовых ведущих и умеет создавать прозрачный фон и субтитры. Оба стоят $0.15 за секунду видео: 10-секундный ролик — $1.50. Оба принимают как набранный текст (на выбор 102 голоса), так и вашу собственную запись. Попробуйте прямо сейчас: откройте страницу модели Avatar IV, загрузите портрет, наберите одну фразу — и человек на фото заговорит. Новым пользователям при регистрации дают 200 кредитов.

Два модели с первого взгляда

	HeyGen Avatar IV	HeyGen Avatar V
Название модели	heygen-avatar-iv	heygen-avatar-v
Ведущий	Ваша фотография (image_url)	Один из 497 готовых (avatar)
Способ управления	prompt (текст, до 5000 символов) или audio_url (до 600 секунд)	То же самое
Озвучка текста	102 голоса, по умолчанию Warm Pro Narrator	Те же 102
Разрешение	720p или 1080p, по одной цене	720p, 1080p или 4k
Соотношение сторон	16:9, 9:16, 4:5, 5:4, 1:1, auto	16:9, 9:16 и др.
Дополнительные возможности	Заливка фона однотонным цветом или изображением	Прозрачный WebM, субтитры SRT
Цена	$0.15 за секунду	$0.15 за секунду

Текущие цены HiAPI, проверено 16 октября 2026 года.

Продолжительность передавать не нужно. При тексте длина зависит от количества символов и темпа речи голоса; при аудио видео будет такой же длины, как запись. Оценка стоимости — это оценка времени озвучивания.

С текстом: Avatar IV, одна фотография

9-секундное пояснение в 1080p из одного портрета, $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.

Сгенерировать по этому тексту → (загрузите свою фотографию, выберите голос Cute Chloe - Friendly, 1080p, 16:9)

heygen-avatar-iv, 1080p, 16:9, 9 секунд, $1.35. Свитер, причёска, комната взяты с фотографии; губы, моргание, кивки следуют за голосом.

{
  "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"
  }
}

С текстом: Avatar V, готовые ведущие

Фотография не нужна. Daniel в офисе, 1080p, около 8 секунд, $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.

Сгенерировать по этому тексту → (выберите ведущего и голос на странице, 1080p, 16:9)

heygen-avatar-v, 1080p, 16:9, около 8 секунд, $1.20.

Со своим аудио

Замените prompt и voice на audio_url. Артикуляция губ будет следовать за вашей записью, запись может длиться до 600 секунд, цена по-прежнему $0.15 за секунду выходного видео:

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

Этот способ подойдёт, если диктор уже записал озвучку и нужно подобрать картинку под готовую дорожку, или если голос получен из более подходящей вам модели синтеза речи.

Как выбрать по сценарию

• Ведущим должен быть конкретный человек — основатель, преподаватель, клиент: Avatar IV плюс фотография этого человека.
• Нет фотографии или не хотите её использовать: готовые ведущие Avatar V.
• Нужен прозрачный фон для наложения на слайды или файл субтитров SRT: Avatar V.
• Нужно 4K: Avatar V, у Avatar IV максимум 1080p.
• Нужен вертикальный ролик из вертикального портрета: Avatar IV, укажите в aspect_ratio значение 9:16 или auto.
• Цена: одинаковая, выбирайте по пунктам выше.

Сколько стоит

Длительность	Цена
5 секунд	$0.75
10 секунд	$1.50
30 секунд	$4.50
60 секунд	$9.00

На $10 можно получить около 66 секунд — достаточно, чтобы опробовать несколько текстов с одной фотографией или одним готовым ведущим. Убирайте из вступления всё лишнее: меньше фраз — меньше счёт. При неудаче деньги возвращаются автоматически.

Подключение в три шага

1. POST /v1/tasks, в "model" укажите heygen-avatar-iv или heygen-avatar-v, input заполните как выше. Параметры проходят строгую проверку: если передать лишний duration, вернётся HTTP 400.
2. Опрашивайте GET /v1/tasks/{taskId} или принимайте callback, пока status не станет success (fail и failed считаются неудачей).
3. Скачайте output[0].url, ссылка истекает.

Частые вопросы

Можно ли не передавать текст, а сразу дать аудио?

Можно, оба модели это поддерживают. Поместите публичную ссылку на аудио в audio_url, не передавайте prompt и voice. Аудио может длиться до 600 секунд.

720p и 1080p стоят одинаково?

Одинаково, у обоих моделей $0.15 за секунду, поэтому сразу выбирайте 1080p. По умолчанию интерфейс использует 720p, resolution нужно указать самостоятельно.

Какие языки поддерживаются?

Текст может быть на английском или китайском; в видео, управляемом аудио, язык следует за языком записи.

Есть ли плата за ролик или за месяц?

Нет. Оплата идёт за секунды сгенерированного видео, за неудачи деньги не берутся.

Пошаговый код смотрите в руководстве по Avatar IV API и руководстве по Avatar V API, сравнение обоих — в Avatar IV vs Avatar V. Можно также сразу скопировать текст Lin выше и сделать первое видео с говорящей фотографией.