how-tos

HeyGen Avatar 6 API Text to Avatar: Moderatorenvideos aus einem Skript, ohne Audiodatei

Poyo.ai Team
9 min read
Share:

HeyGen Avatar 6 API Text to Avatar: ein Moderatorenvideo aus einem Skript

Die HeyGen Avatar 6 API kann ein Moderatorenvideo aus nichts als einem Skript erzeugen. Im Public-Avatar-Modus nennen Sie einen von HeyGens 1,248 Stock-Looks, senden bis zu 1,000 Zeichen text, wählen eine von 102 Stimmen, und heygen-avatar-6 (oder heygen-avatar-6-turbo) liefert ein lippensynchrones MP4. Kein Foto, keine Aufnahme, kein Text-to-Speech-Schritt auf Ihrer Seite. Diese Anleitung zeigt, wie Sie einen Look und eine Stimme aus dem Katalog wählen, Gesten mit prompt steuern, ein Bildformat wählen und was eine Textanfrage kostet. Die Looks können Sie auch auf der HeyGen Avatar 6 Modellseite durchsehen.

Die Text-to-Avatar-Anfrage

Dies ist der dokumentierte Body für den Public-Avatar-Modus mit Text:

{
  "model": "heygen-avatar-6-turbo",
  "input": {
    "avatar": "Abigail Office Front",
    "text": "Hello and welcome to this demonstration of HeyGen Avatar 6.",
    "voice": "Warm Pro Narrator",
    "prompt": "Speak with calm confidence and nod slightly at the end.",
    "aspect_ratio": "16:9",
    "resolution": "1080p"
  }
}
FeldPflichtRegel
avatarJaEiner von 1,248 Look-Namen
textJa (statt audio_url)1–1,000 Zeichen
voiceNeinEiner von 102 Namen; Standard Warm Pro Narrator
promptNeinBis 1,200 Zeichen Regieanweisung
aspect_ratioNein16:9 (Standard), 9:16, 1:1, 4:5, 5:4
resolutionNein1080p (Standard) oder 2K

Das Vorhandensein von avatar wählt diesen Modus. Senden Sie nicht zusätzlich image_urls oder video_url; verwenden Sie pro Anfrage die Eingaben genau eines Modus. Senden Sie an POST https://api.poyo.ai/api/generate/submit und pollen Sie /api/generate/status/{task_id} wie im HeyGen Avatar 6 API Leitfaden.

Einen Avatar-Look aus dem Katalog wählen

PoYo veröffentlicht jeden Namen auf der Seite Avatars and Voices und als JSON-Katalog. Der Katalog hat fünf Schlüssel:

SchlüsselInhalt
modelsheygen-avatar-6, heygen-avatar-6-turbo (dieselben Namen funktionieren auf beiden)
default_voiceWarm Pro Narrator
avatarsAlle 1,248 Look-Namen, flach
avatars_by_personDieselben Looks, gruppiert unter 156 Personen
voicesAlle 102 Stimmennamen

Jede Person hat einen oder mehrere Looks, und jeder Look ist ein eigener avatar-Wert. Abigail hat fünf (Abigail (Upper Body), Abigail Office Front, Abigail Office Side, Abigail Sofa Front, Abigail Sofa Side); Annie hat 54; acht Personen haben nur einen Look. Die Namen beschreiben Umgebung, Kleidung und Kamerawinkel, was meist reicht, um ohne Vorschau zu wählen:

Sie möchtenSuchen Sie nach Namen wieBeispiele
Moderator mit Blick in die KameraFrontAbigail Office Front, Bryan Suit Front
DreiviertelansichtSideAbigail Office Side
Sitzend, informellSofa, Sitting, LoungeAnnie Sofa Sitting Front
Eine Rolle oder UmgebungDoctor, Nurse, Yoga, Tech ExpertAnn Doctor Standing, Adriana Nurse Front, Amelia Yoga Front, Bryan Tech Expert

Etwa 480 Namen enthalten Front und etwa 430 enthalten Side. Wählen Sie für eine Erklärvideo-Serie eine Person und bleiben Sie bei deren Front-Looks, damit der Moderator über alle Videos gleich bleibt. Nutzen Sie den passenden Side-Look für Zwischenschnitte.

Namen werden unabhängig von Groß-/Kleinschreibung und zusätzlichen Leerzeichen erkannt, abigail office front wählt also Abigail Office Front. PoYo prüft avatar beim Absenden gegen die Liste, ein Tippfehler liefert also sofort einen 400 statt einer fehlgeschlagenen Aufgabe. Prüfen Sie zuerst in Ihrem eigenen Code:

import requests

catalog = requests.get(
    "https://docs.poyo.ai/api-manual/video-series/heygen-avatar-6-catalog.json", timeout=30
).json()

def norm(name: str) -> str:
    return " ".join(name.split()).lower()

AVATARS = {norm(a): a for a in catalog["avatars"]}
VOICES = set(catalog["voices"])

def build_request(model, avatar, text, voice=None, prompt=None, aspect_ratio="16:9", resolution="1080p"):
    if norm(avatar) not in AVATARS:
        raise ValueError(f"unknown avatar: {avatar!r}")
    if not 1 <= len(text) <= 1000:
        raise ValueError("text must be 1-1,000 characters")
    if voice is not None and voice not in VOICES:
        raise ValueError(f"unknown voice: {voice!r} (copy the exact name from the catalog)")
    if prompt is not None and len(prompt) > 1200:
        raise ValueError("prompt must be at most 1,200 characters")
    body = {"avatar": AVATARS[norm(avatar)], "text": text,
            "aspect_ratio": aspect_ratio, "resolution": resolution}
    if voice:
        body["voice"] = voice
    if prompt:
        body["prompt"] = prompt
    return {"model": model, "input": body}

Die Stimmenprüfung verwendet bewusst exakte Namen; der nächste Abschnitt erklärt, warum.

Eine Stimme wählen

voice bestimmt, wer text vorliest. Lassen Sie das Feld weg, erhalten Sie Warm Pro Narrator. Die 102 Stimmen umfassen einfache Namen (Andrew, Ivy, Jessica Anne Bogart), beschreibende (Calm Chloe, Professor Dean, Radio Rick, Chill Brian) und einige mit einem Stil-Tag im Namen.

Drei Dinge bringen Leute ins Stolpern:

  • Leerzeichen am Ende können eine Rolle spielen. Die Dokumentation weist darauf hin, dass Hope und Hope (mit Leerzeichen am Ende) zwei verschiedene Stimmen sind. Auch Archer , Cassidy , Adam Stone , Spuds Oxley und Andrew Rizz enden im Katalog mit einem Leerzeichen. Kopieren Sie Namen aus dem JSON, statt sie abzutippen.
  • Manche Namen enthalten Emojis oder dateiähnliche Endungen, etwa Cute Chloe - Friendly 😊 oder Brenda - UGC - 1.mp4. Diese Zeichen gehören zum Namen. Senden Sie den Request-Body als UTF-8-JSON, dann kommt der Name unverändert durch.
  • Die Stimme ist nicht an den Avatar gebunden. Jede der 102 Stimmen kann für jeden der 1,248 Looks sprechen. Wählen Sie eine Stimme, die zur Person im Bild passt; unsere Tests am Launch-Tag kombinierten Bryan Tech Expert mit Andrew und Abigail Office Front mit Jessica Anne Bogart.

voice gilt nur, wenn Sie text senden. Senden Sie stattdessen audio_url, spricht der Avatar Ihre Aufnahme, und voice wird nicht verwendet.

Gesten mit prompt steuern

prompt nimmt bis zu 1,200 Zeichen Anweisungen für Gesten, Mimik und Haltung. HeyGens technischer Bericht beschreibt die Technik: „Schreiben Sie die Aktion neben die Worte. Avatar 6 führt sie genau auf das Stichwort aus.“ Sein Beispiel: „Freundlicher Apotheker. Bei ‚Hello‘ einen Daumen hoch zeigen. Bei ‚the counter on the left‘ mit dem Zeigefinger zur Seite zeigen.“

Ein Muster, das diesem Format folgt:

{
  "model": "heygen-avatar-6",
  "input": {
    "avatar": "Bryan Tech Expert",
    "text": "Hello! Today I will show you three settings that make your dashboard faster. First, open the menu on the left.",
    "voice": "Andrew",
    "prompt": "Friendly product expert. On 'Hello', wave once. On 'three settings', hold up three fingers. On 'the menu on the left', point to his left side. Keep a relaxed posture and smile between sentences.",
    "aspect_ratio": "16:9",
    "resolution": "1080p"
  }
}

Tipps, mit denen Prompts nützlich bleiben:

  • Zitieren Sie die exakten Wörter aus text, auf die jede Aktion fallen soll, damit das Stichwort eindeutig ist.
  • Beschreiben Sie zuerst eine Rolle oder Stimmung („Friendly product expert“), dann die Stichworte.
  • Lassen Sie prompt weg, wenn Sie keine konkreten Stichworte haben. HeyGens Launch-Seite zu Avatar 6 sagt, das Modell „stimmt Gestik, Emotion und Ausdruck von selbst auf Ihr Skript ab“.

Das Seitenverhältnis für den Einsatzort wählen

aspect_ratio gibt es nur im Public-Avatar-Modus; Foto- und Referenzvideo-Modus behalten das Format der Eingabe.

Einsatzortaspect_ratio
Website, YouTube, LMS-Lektion16:9 (Standard)
Shorts, Reels, TikTok, Stories9:16
Quadratischer Feed-Post, In-App-Karte1:1
Hochformat-Feed-Post4:5
Querformat-Feed-Post5:4

resolution ist davon getrennt: 1080p oder 2K in jedem Seitenverhältnis. 2K kostet pro Sekunde mehr, rendern Sie Entwürfe also in 1080p.

Wie lang das Video wird und was es kostet

Mit Text dauert das Video so lange, wie der Avatar zum Vorlesen braucht, bei bis zu 1,000 Zeichen. Abgerechnet wird die Länge des fertigen Videos, aufgerundet auf ganze Sekunden. Credits werden beim Absenden reserviert und auf die tatsächlichen Sekunden abgerechnet, wenn die Aufgabe fertig ist.

Unsere Tests am Launch-Tag auf der Produktions-API, 19. November 2026 (16:9, 1080p):

ModellAvatar / StimmeSkriptAusgabeKosten zu aktuellen PreisenWall-Time
heygen-avatar-6-turboAbigail Office Front / Jessica Anne Bogart27 Wörter10.16 s110 Credits ($0.55)Etwa 2.4 min
heygen-avatar-6Bryan Tech Expert / Andrew21 Wörter6.88 s140 Credits ($0.70)Etwa 2 min

Das ergibt in diesen beiden Läufen etwa 2.7 und 3.1 Wörter pro Sekunde, nützlich für ein grobes Budget, aber keine Garantie, da das Tempo je nach Stimme und Skript variiert. Tarife pro Sekunde: Turbo 10 Credits ($0.05) in 1080p oder 18 ($0.09) in 2K; Avatar 6 20 Credits ($0.10) oder 29 ($0.145). Mehr dazu unter Preise der HeyGen Avatar 6 API.

Weil Textaufgaben während der Laufzeit eine Reservierung halten, kann das gleichzeitige Absenden vieler Aufgaben HTTP 200 mit Body-code 402 (insufficient_credits_error) liefern. In unserem Test wurde eine dritte Anfrage abgelehnt mit: „Diese Anfrage benötigt mindestens 252 Credits, und 344 Credits sind bereits durch Ihre unfertigen HeyGen Avatar 6 Textaufgaben reserviert.“ Stellen Sie Textjobs in eine Warteschlange oder halten Sie ein Guthaben, das die laufenden Reservierungen abdeckt. Nutzen Sie Turbo, solange Sie iterieren; der Vergleich Avatar 6 vs Turbo zeigt, wann sich der Wechsel lohnt.

Häufig gestellte Fragen

Kann die HeyGen Avatar 6 API Text in ein Video mit sprechendem Avatar verwandeln?

Ja. Senden Sie im Public-Avatar-Modus avatar, bis zu 1,000 Zeichen text und optional voice. Eine Audiodatei ist nicht nötig.

Wo finde ich die Liste der Avatare und Stimmen der HeyGen Avatar 6 API?

Auf der PoYo-Dokumentationsseite Avatars and Voices und als herunterladbaren JSON-Katalog mit den Schlüsseln avatars, avatars_by_person und voices.

Was ist die Standardstimme der HeyGen Avatar 6 API?

Warm Pro Narrator, verwendet, wenn voice weggelassen wird.

Kann ich mein eigenes Foto mit Text statt eines Stock-Avatars verwenden?

Nein. text funktioniert nur im Public-Avatar-Modus. Für Ihr eigenes Foto nutzen Sie den Fotomodus mit image_urls und einer audio_url; erzeugen Sie das Audio bei Bedarf zuerst mit einem TTS-Modell.

Welche Seitenverhältnisse unterstützt Text to Avatar bei HeyGen Avatar 6?

16:9, 9:16, 1:1, 4:5 und 5:4, in 1080p oder 2K.

Wie wird eine Textanfrage an die HeyGen Avatar 6 API abgerechnet?

Nach der Länge des fertigen Videos, aufgerundet auf ganze Sekunden, zum Sekundentarif des Modells. Credits werden beim Absenden reserviert und am Ende der Aufgabe abgerechnet.

Share: