Introducción
El modelo insignia de presentador digital de HeyGen con gestos contextuales y nitidez 2K.
| Campo | Valor |
|---|---|
| Entrada | Imagen y Audio |
| Salida | Video |
| ID del modelo | heygen/avatar-6/talking-avatar |
| Desarrollador | HeyGen |
| Entradas obligatorias |
|
| Duración del audio | De 1 a 600 segundos (hasta 10 minutos); el video coincide con el audio de entrada |
| Niveles de resolución | 1080p (predeterminado, lado corto de 1,080 px) o 2k (lado corto de 1,620 px) |
| Dimensiones personalizadas | Par opcional width y height en enteros pares, de 256 a 3,840 píxeles cada uno |
| Controles de movimiento | Campo prompt opcional (hasta 1,200 car.), expressiveness (default o less) y 1 clip en |
| Precio vigente | $0.12/segundo (1080p) o $0.174/segundo (2K), redondeado hacia arriba por segundo entero de audio |
| Solicitudes fallidas | Sin costo |
| Prueba en vivo verificada (2026-11-19) | Audio de retrato de 3.79 s en 1080p generó un MP4 1088×1632 en ~35 s |
Funciones y aspectos destacados
Contacto visual sostenido y microexpresiones sin prisa
En la muestra de estudio 1080p con satén champán, una luz ámbar cálida baña el hombro descubierto mientras la hablante pronuncia una línea suave en plano cercano. El movimiento ligado al guion combina ligeras inclinaciones de cabeza con una sonrisa lenta y segura en lugar de bucles rígidos. Usa un retrato frontal nítido e indicaciones concisas cuando busques una cadencia nocturna serena y cercana.
Detalle fino en telas y rostro con lado corto de 1,620 px
Renderizada en 2K en un balcón nocturno con velas, la muestra en terciopelo oscuro de hombros descubiertos conserva reflejos suaves en la piel y la tela de noche durante un monólogo tranquilo. Elegir 2k amplía el lado corto de salida a 1,620 píxeles, ideal para primeros planos y pantallas grandes. Combinar una luz cálida estable en image_url con notas de postura moderadas mantiene fluidos los parpadeos y transiciones.
Dirección por prompt, expresividad y video de referencia
HeyGen indica que Avatar 6 examina unos 30 segundos de contexto hablado alrededor de cada frase para alinear postura y gestos manuales con el ritmo vocal. Orienta actitud o mirada con hasta 1,200 caracteres en prompt, cambia expressiveness a less para una entrega más reposada o adjunta un clip MP4 o WebM en reference_video_urls para guiar personajes animados o ilustrados.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
image_url | Sí | La API HeyGen Avatar 6 convierte un retrato y un audio de voz en un video hablado nativo en 1080p o 2K con gestos ligados al discurso y control de movimiento. mínimo 1 caracteres |
audio_url | Sí | La duración final coincide con el audio de voz proporcionado. mínimo 1 caracteres |
prompt | No | Indica expresiones en prompt o usa expressiveness=less para presentaciones sobrias. mínimo 1 caracteres · máximo 1200 caracteres |
resolution | No | 1080p / 2k |
expressiveness | No | default / less |
reference_video_urls | No | ≥ 2s (optional) mínimo 1 elementos · máximo 1 elementos |
width | No | 256–3840 (even) |
height | No | 256–3840 (even) |
Precios
| Especificación | Precio |
|---|---|
| $0.12 / segundo |
| $0.174 / segundo |
Casos de uso
Videos de marca y comunicados ejecutivos en primer plano
Combina un retrato de estudio con narración grabada en 2K (lado corto de 1,620 px) para crear anuncios de lanzamiento o reportes de dirección sin montar un rodaje completo.
Monólogos nocturnos de personajes en plano cercano
Une retratos adultos con atmósfera cuidada — como nuestro clip en estudio de satén champán o el balcón nocturno en terciopelo con velas — con locuciones suaves para adelantos dramáticos y viñetas narrativas.
Clases extensas y presentaciones de estudio
Anima segmentos continuos frente a cámara de hasta 10 minutos a partir de una sola pista de audio, apoyándote en cambios de postura y gestos sensibles al fraseo en lugar de ciclos cortos repetitivos.
Encuadres verticales y panorámicos a medida
Respeta las proporciones del retrato cargado — como en nuestra prueba vertical verificada de 1088×1632 — o especifica pares exactos de width y height pares entre 256 y 3,840 píxeles para espacios editoriales fijos.
Clips de personajes animados o ilustrados
Adjunta un clip de movimiento MP4 o WebM de al menos 2 segundos en reference_video_urls en espacios estándar para marcar una cadencia rítmica en presentadores ilustrados o animados.
Guía de prompts y consejos prácticos
Elige un retrato debidamente autorizado
Sube un retrato nítido en JPEG, PNG o WebP (hasta 32 MB) de un adulto que consienta y tengas permiso de representar. Define luz, vestuario y escenario desde la foto original.
Prepara un audio hablado limpio
Suministra una grabación MP3 o WAV de 1 a 600 segundos en
audio_url. Revisa pausas y cadencia antes de enviar, ya que los segundos enteros de audio de entrada definen el cobro.Configura resolución e indicaciones de movimiento
Selecciona 1080p o 2k, agrega opcionalmente un prompt en texto plano de hasta 1,200 caracteres y deja expressiveness en default o cámbialo a less si buscas una actuación más contenida.
Revisa el resultado y descarga el MP4
Si necesitas un tamaño exacto, combina width y height en enteros pares (256–3,840 píxeles) o conserva la proporción del retrato. Comprueba sincronización labial, línea de mirada y encuadre antes de guardar el MP4.
Retratos parlantes nativos en 1080p y 2K desde foto y voz
heygen/avatar-6/talking-avatar anima una sola imagen de retrato y una grabación hablada en un video MP4 asíncrono en 1080p o 2K. Según HeyGen, Avatar 6 analiza cerca de 30 segundos de contexto hablado alrededor de cada instante para que cambios de postura, gestos manuales y matices faciales sigan el fraseo en lugar de repetir bucles cortos.
Cada entrada cumple un papel definido: image_url establece identidad, vestuario, luz y escenario; audio_url aporta las palabras y la duración del clip (1 a 600 segundos); y los campos opcionales prompt, expressiveness y reference_video_urls afinan la interpretación física.
Parámetros
| Parámetro | Obligatorio | Tipo y límites | Función |
|---|---|---|---|
image_url | Sí | URI (JPEG, PNG, WebP, máx. 32 MB) | Retrato fotográfico o ilustrado claro de un solo sujeto adulto; la salida conserva su proporción por defecto. |
audio_url | Sí | URI (MP3 o WAV, 1–600 s) | Pista de voz que controla sincronización labial, ritmo gestual y duración final del clip. |
prompt | No | Cadena (1–1,200 car.) | Indicaciones en lenguaje natural sobre expresión, mirada, giros de cabeza, postura y manos. |
resolution | No | 1080p (predet.) o 2k | Nivel de salida: 1080p (lado corto de 1,080 px) o 2k (lado corto de 1,620 px); define la tarifa por segundo. |
expressiveness | No | default (predet.) o less | Amplitud de gestos: default para movimiento natural acorde al guion, less para entrega más serena. Sin cambio de precio. |
reference_video_urls | No | Arreglo de 1 URI (MP4/WebM, >= 2 s) | Clip opcional de referencia rítmica; personajes animados o ilustrados en espacios estándar. |
width | No | Entero par (256–3,840) | Ancho exacto de salida en píxeles; debe enviarse junto con height. |
height | No | Entero par (256–3,840) | Alto exacto de salida en píxeles; debe enviarse junto con width. |
Precios y ejemplos de costo
Las ejecuciones exitosas se cobran por segundo entero de audio de entrada (redondeado hacia arriba, mínimo 1 segundo y máximo 600 segundos). Modificar expressiveness, prompt o width/height no cambia la tarifa del nivel, y las solicitudes fallidas no se facturan.
| Resolución | Tarifa por segundo | Audio de 10 s | Audio de 60 s |
|---|---|---|---|
1080p (predet.) | $0.12 / segundo | $1.20 | $7.20 |
2k | $0.174 / segundo | $1.74 | $10.44 |
Escucha completa la grabación antes de enviarla para evitar que silencios finales o tomas sobrantes inflen los segundos facturados.
Cómo guiar expressiveness, prompts de movimiento y video de referencia
Expresividad y dirección en texto
Deja el guion hablado en audio_url y reserva prompt para la entrega física — por ejemplo: "She speaks softly with warm eye contact, subtle head tilts, and a confident slow smile." Define vestuario, fondo e iluminación en image_url en vez de esperar que prompt redibuje la escena.
Conserva expressiveness en default cuando quieras que Avatar 6 ajuste la energía gestual al énfasis vocal. Cambia a less en boletines informativos, monólogos tranquilos o planos muy cerrados donde un torso quieto luce más limpio.
Uso de reference_video_urls
Envía un solo clip MP4 o WebM de al menos 2 segundos en reference_video_urls cuando desees que un personaje animado o ilustrado siga un ritmo específico. Los videos de referencia con personas reales exigen autorización de consentimiento específica y son rechazados en espacios estándar.
Prueba verificada en vivo y notas de muestra
En nuestra prueba en vivo del 19 de noviembre de 2026, una pista de retrato de 3.79 segundos en 1080p concluyó en alrededor de 35 segundos y entregó un MP4 de 1088×1632 respetando el encuadre vertical. Al tratarse de un proceso asíncrono, usa sondeo de estado o webhooks en producción.
- Susurro de estudio en satén champán (
1080p): luz suave sobre un retrato en satén champán con hombro descubierto combinado con una línea cercana en voz baja, logrando mirada cálida e inclinaciones sutiles alineadas al habla. - Monólogo en balcón de terciopelo (
2k): retrato nocturno en terciopelo oscuro con hombros descubiertos sobre un balcón con velas renderizado a 1,620 px de lado corto, preservando brillo textil, parpadeos estables y cambios de postura serenos.
Cómo elegir entre Avatar 6, Avatar 6 Turbo y Avatar IV
- Elige HeyGen Avatar 6 cuando el detalle facial en primer plano, la claridad 2K y microexpresiones espontáneas sean tu prioridad.
- Elige HeyGen Avatar 6 Turbo para campañas personalizadas masivas, variantes localizadas de alto volumen o borradores veloces donde importan más los tiempos cortos y una tarifa menor por segundo.
- Elige HeyGen Avatar IV si necesitas específicamente cambio de escenario mediante
background_image_urlo control de expresividad en tres niveles (low/medium/high) hasta 1080p.
Consentimiento, derechos de imagen y entradas permitidas
Utiliza únicamente retratos y voces de adultos que consientan y cuya representación tengas legalmente autorizada, sin suplantar a ninguna persona. Comprueba los derechos tanto de image_url como de audio_url antes de enviar y descarga los archivos MP4 terminados en cuanto los valides.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "heygen/avatar-6/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"expressiveness": "default",
"image_url": "https://example.com/reference.png",
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.



