はじめに
HeyGen Avatar IV は image_url と audio_url から話す動画を作ります。background_image_url で場所を任意に差し替え、prompt で演技を指示できます。
| 項目 | 値 |
|---|---|
| 入力 | 画像 音声 |
| 出力 | 動画 |
| 提供元 | HeyGen |
| 必須の素材 |
|
| 話し声の最大時間 | 10 分です。 |
| 演技の指示 | 表情とジェスチャー用の任意の prompt です。 |
| 背景の置き換え | 任意の |
| 表情の設定 | low(既定)、medium、high で顔と頭の動きの振幅を調整します。 |
| 画面の縦横比 | 16:9、9:16、1:1、5:4、4:5。空欄なら写真に従います。 |
| 選択できる解像度 | 360p–1080p の 5 段階で、すべて同じ単価です。 |
| 課金方法 | 入力音声の長さを整数秒に切り上げます。expressiveness による単価の変更はありません。 |
| 生成失敗時 | 課金されません。 |
| 陶芸出力の実測 | 10 秒の説明にリップシンクが合い、720×900 ピクセルでした。 |
| 生成物の保存期間 | 14 日間保存し、その後削除します。 |
主な機能とハイライト
ベッドのポートレートが録音のせりふを話す
シルクのローブの例はベッド上の写真に短い深夜の録音を合わせました。720p、high expressiveness で女性が楽しげにほほ笑み、口の動きが音声に合いました。prompt は柔らかな話し方、小さな首の傾き、視線を求めていますが、記録で確認したのは笑顔と発話の同期で、すべての動作ではありません。
ろくろの前で話す陶芸家
写真と 10 秒の説明から、口の動きが合う陶芸動画ができました。実測の画面は 720×900 ピクセルです。短い講座紹介の例として、写真の場所と録音を用意し、必要なら簡潔な話し方の指示を加えてください。これは語るポートレートの実例で、新たに撮影した陶芸工程ではありません。
天文家の周囲を変更
背景のテストでは、天文家の写真が指定した温室画像の前に置かれました。high expressiveness によって動きが活発になりました。background_image_url が場所を供給し、expressiveness が顔や頭の動きを調整する別々の設定です。発表に合わせて選び、完成動画を両方の入力と照合します。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
image_url | はい | 動かす話し手の、鮮明な正面向きのポートレートが必須です。HeyGen は写真ではなく音声の長さに基づいて課金します。 1 文字以上 |
audio_url | はい | 必須の話し声の録音で、最長 10 分です。その長さを整数秒に切り上げて料金を計算します。 1 文字以上 |
prompt | いいえ | 表情とジェスチャーの任意の指示です。このテキストは音声の秒あたりの単価を決めるものではありません。 1 文字以上 · 5000 文字以内 |
background_image_url | いいえ | 話し手の背後を差し替える任意の画像です。課金の基準は引き続き渡した音声の長さです。 1 文字以上 |
expressiveness | いいえ | 動きの強さを low、medium、high で指定します。既定は low です。 |
aspect_ratio | いいえ | 16:9、9:16、1:1、5:4、4:5 を選べます。空欄ならポートレートに従い、料金は引き続き音声秒数で決まります。 |
resolution | いいえ | 360p から 1080p まで 5 段階の出力を選べます。HeyGen の価格はどの解像度の段階でも同じです。 |
料金
$0.054 / 秒
HeyGen は入力音声の秒数を整数秒に切り上げて課金します。解像度と expressiveness による単価の差はありません。生成が失敗した場合の料金は発生しません。
ユースケース
録音による講座の導入
講師のポートレートに準備した説明を合わせます。陶芸の例は 10 秒の録音に同期しました。講座の導入に使い、実際の作業実演は別の映像にできます。
新しい場所でのプレゼンターのメッセージ
背景画像を渡して発表の場所を変えられます。天文家を温室へ移した例は、背景変更と high expressiveness を示します。返された動画で周囲と人物を両方確認してください。
静かなキャラクターの会話
使用許可のある人物写真に、短く静かな録音と控えめな動作指示を合わせます。シルクのローブの例では、720p、high で楽しげな笑顔と合ったリップシンクが見られました。
自己紹介の話し方を比較
写真と録音を固定して low、medium、high を比較します。設定間で単価が変わらず、伝えたい内容に合う顔や頭の動きを評価できます。
異なるレイアウトの会話ポートレート
配置先に合わせて縦、正方形、横の比率を選ぶか、元写真に従います。5 段階の解像度は共通単価なので、用途に応じて選び、実際の人物の収まりを確認します。
プロンプトガイドと実践のヒント
写真と話し声を用意します
鮮明な正面向きのポートレートと、10 分以内の録音を選びます。どちらも使用権があるものを使ってください。
場所と話し方を選びます
必要なら背景画像を追加します。表情の段階、出力比率、解像度を選んでから送信してください。
録音で動く会話ポートレート
HeyGen Avatar IV は鮮明な正面向きの写真と話し声の録音から、その人物が話す動画を返します。写真と音声がすでにある自己紹介、授業の導入、キャラクターのメッセージに適しています。録音は最長 10 分です。
写真が話し手、音声が言葉、任意の prompt が表情やジェスチャーを担います。別の背景画像で新しい場所にも置けます。成人を対象とし、写真と声の使用権を確認してください。完成動画でなりすましをしてはいけません。
入力と設定が担う役割
| パラメータ | 必須ですか? | 入力・選択する内容 |
|---|---|---|
image_url | はい | 鮮明で正面向きの、話す成人の写真です。 |
audio_url | はい | 最長 10 分の録音で、長さが料金を決めます。 |
prompt | いいえ | 顔の表情とジェスチャーの短い指示です。 |
background_image_url | いいえ | 人物の背後を置き換える背景画像です。 |
expressiveness | いいえ | low、medium、high。既定は low で顔と頭の動きの振幅を決めます。 |
aspect_ratio | いいえ | 16:9、9:16、1:1、5:4、4:5。空なら写真に従います。 |
resolution | いいえ | 360p–1080p の 5 段階で同じ単価です。 |
縦横比は配置先、解像度は見る大きさに合わせます。解像度の名称だけで縦横の画素数は分かりません。陶芸の例は 720×900 でした。保存結果の実際の構図を確認してください。
話し声の時間に応じた料金
成功した生成は、入力音声の長さを整数秒に切り上げて課金します。解像度や expressiveness で秒単価は変わりません。送信前に HeyGen Avatar IV のモデルページ で現在の価格を確認します。失敗した HeyGen のリクエストに生成料金はかかりません。
生成前に録音全体を聴き、言葉、間、長さをまとめて確認します。音声は発話の元であり課金の基準でもあります。話し方を比較する生成を使う前に、写真と背景を決めてください。
既存写真への演技の指示
発話と表情を分けます
話す本文は録音に入れます。prompt には、辛抱強い笑顔、小さなうなずき、落ち着いたジェスチャーで話す、といった演技の説明を使います。文章は任意なので、写真、録音、設定だけでも開始できます。
このページの提案写真には 30 代以上の人物を使います。工房でのリネンの作業シャツ、暖かな窓辺のイブニングドレスなど、服装、光、場所は元写真で決めます。その構図に合わせて話し方を指示し、新しい場所が必要なら background_image_url を使ってください。
表情を意図して比較します
まず既定の low で基本の話し方を確認します。写真と録音を変えずに medium、high を試し、顔と頭の動きを比較します。温室の例は high で活発な動きを示しました。動作の指示は結果と照合する方向であり、正確な連続動作の約束ではありません。
掲載例で確認した結果
- シルクのローブの深夜のせりふ: 新しい例は 720p、high expressiveness を使い、ベッドの女性が楽しげな笑顔で短いせりふを話し、リップシンクも合いました。柔らかな話し方、小さな傾き、視線を prompt で求めましたが、個々の動作すべてを確認した記録ではありません。
- 陶芸の説明: 陶芸家の写真と 10 秒の説明から、口の動きが合う 720×900 の動画が得られました。語る講師の画像の例で、工芸の全工程を動かす実演の証拠ではありません。
- 温室の天文家: 指定した温室の背景が人物の後ろに表れ、high expressiveness で動きが活発になりました。背景の操作と表情設定を合わせた例です。
入力例についての観察です。ご自身の動画では、音声と口の関係、頭の動きの量、人物の収まり、使った場合は新しい背景を確認します。次の修正の出発点が分かるよう、採用した動画と元入力、設定を一緒に保存してください。
利用条件とほかの候補
録音は 10 分以内にします。確認した生成ファイルをダウンロードしてください。14 日後に削除されます。送信前に写真と声の両方の権利を確かめ、成人を使い、なりすましを避けます。
別の写真・音声の処理には InfiniteTalk があり、話し手のマスクと変更比較用の seed を使えます。固定 seed は 1 つずつ変更を比較する補助で、同一結果の約束ではありません。OmniHuman 2.0 と Talking Avatar も確認できます。背景変更、表情の振幅、同一単価の 5 段階解像度が必要なら HeyGen を選んでください。
API クイックスタート
# 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "heygen/avatar-iv/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"expressiveness": "low",
"image_url": "https://example.com/reference.png",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。



