教程

语音转视频 API 怎么选？一段音频或文稿生成口播视频

HeyGen Avatar IV 和 Avatar V 怎么用文稿或音频生成口型同步的真人视频、每秒 $0.15 怎么算、两者怎么选。

2026年10月16日 3

每秒: $0.15
10 秒: $1.50
声音: 102 个

结论先说： 语音转视频 API，就是给一段文稿或一个音频文件，返回一个人把它说出来的视频，口型对得上。HiAPI 上有两个：HeyGen Avatar IV 用你自己的一张照片当主播，HeyGen Avatar V 提供 497 个预置主播，还能出透明背景和字幕。两个都是每秒视频 $0.15，10 秒一条 $1.50，都既收打字的文稿（102 个声音可选），也收你自己的录音。现在就能试：打开 Avatar IV 模型页，上传一张人像、打一句话，照片里的人就开口了。新用户注册送 200 积分。

两个模型一眼看懂

	HeyGen Avatar IV	HeyGen Avatar V
模型名	`heygen-avatar-iv`	`heygen-avatar-v`
主播	你的照片（`image_url`）	497 个预置之一（`avatar`）
驱动方式	`prompt`（文稿，最多 5000 字符）或 `audio_url`（最长 600 秒）	相同
文稿配音	102 个声音，默认 Warm Pro Narrator	同样 102 个
分辨率	720p 或 1080p，同价	720p、1080p 或 4k
画幅	16:9、9:16、4:5、5:4、1:1、auto	16:9、9:16 等
额外能力	纯色或图片背景填充	透明 WebM、SRT 字幕
价格	每秒 $0.15	每秒 $0.15

HiAPI 现价，2026 年 10 月 16 日核对。

不用传时长。给文稿，长度跟着字数和声音语速走；给音频，视频和录音一样长。估价就是估朗读时间。

用文稿：Avatar IV，一张照片

一张人像出的 9 秒 1080p 讲解，$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.

用这段文稿生成 →（上传你的照片，声音选 Cute Chloe - Friendly，1080p、16:9）

heygen-avatar-iv，1080p，16:9，9 秒，$1.35。毛衣、发型、房间来自照片；口型、眨眼、点头跟着声音走。

{
  "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"
  }
}

用文稿：Avatar V，预置主播

不用照片。办公室里的 Daniel，1080p，约 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.

用这段文稿生成 →（在页面上选主播和声音，1080p、16:9）

heygen-avatar-v，1080p，16:9，约 8 秒，$1.20。

用你自己的音频

把 prompt 和 voice 换成 audio_url。口型跟着你的录音走，录音最长 600 秒，价格还是每秒输出 $0.15：

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

配音演员已经录好、要给现成音轨配画面，或者语音来自你更喜欢的语音合成模型时，用这种方式。

按场景怎么选

主播必须是某个真人，创始人、老师、客户：Avatar IV 加这个人的照片。
没有照片，或不想用照片：Avatar V 的预置主播。
要透明背景叠在幻灯片上，或要 SRT 字幕文件：Avatar V。
要 4K：Avatar V，Avatar IV 最高 1080p。
用竖版人像出竖屏：Avatar IV，aspect_ratio 写 9:16 或 auto。
价格：一样，按上面几条选。

多少钱

时长	价格
5 秒	$0.75
10 秒	$1.50
30 秒	$4.50
60 秒	$9.00

$10 能出约 66 秒，够用一张照片或一个预置主播试好几段文稿。开场白能删就删，少一句就少一截账单。失败自动退款。

三步接入

POST /v1/tasks，"model" 填 heygen-avatar-iv 或 heygen-avatar-v，input 照上面写。参数是严格校验的，多传一个 duration 会返回 HTTP 400。
轮询 GET /v1/tasks/{taskId} 或接收 callback，到 status 为 success（fail 和 failed 都按失败处理）。
下载 output[0].url，链接会过期。