comparisons

HeyGen Avatar 6 API vs Kling Avatar 2.0 API:フィールド、制限、クリップあたりの料金

Poyo.ai Team
3 min read
Share:

HeyGen Avatar 6 API vs Kling Avatar 2.0 API:リクエストフィールド、制限、クリップあたりの料金

HeyGen Avatar 6 APIはPoYo初のHeyGenモデルなので、移行元となる前身モデルはありません。PoYoにすでにある最も近いモデルはKling Avatar 2.0です。どちらも画像1枚と2〜60秒の駆動音声ファイルを受け取り、同じ送信エンドポイントを通じてリップシンクしたトーキング動画を返します。この比較では、2026年11月18日時点の両方のPoYoドキュメントページに基づき、heygen-avatar-6 / heygen-avatar-6-turboとkling-avatar-2.0/standard / kling-avatar-2.0/proをフィールドごとに並べます。HeyGen側はHeyGen Avatar 6モデルページでも確認できます。

同じエンドポイント、異なる入力

どちらのモデルも、model、任意のトップレベルcallback_url、inputオブジェクトを指定してPOST https://api.poyo.ai/api/generate/submitを使い、どちらもGET /api/generate/status/{task_id}でポーリングするtask_idを返します。違いはinputが受け付ける内容です。

フィールドHeyGen Avatar 6(両ティア)Kling Avatar 2.0(両ティア)
image_urlsちょうど1つ。写真モードでは必須、参照動画モードでは任意ちょうど1つ。必須
audio_url2〜60秒、最大15 MB。text使用時以外は必須2〜60秒。サイズが検出できる場合は最大5 MB。必須
prompt任意、最大1,200文字(ジェスチャー、表情、姿勢)任意、最大5,000文字
video_url参照動画モード:アニメやイラストのキャラクター、2秒以上、最大50 MBなし
avatarパブリックアバターモード:HeyGenの1,248ルックなし
text + voiceパブリックアバターモード:最大1,000文字、102ボイスなし
aspect_ratioパブリックアバターモード:16:9、9:16、1:1、4:5、5:4ドキュメント記載なし
resolution1080p(デフォルト)または 2Kドキュメント記載なし

重なるのは写真と音声の組み合わせです。HeyGenが追加するもの(テキスト入力、ストックのプレゼンター、キャラクタークリップ、解像度の切り替え)は、PoYoのKling Avatar 2.0スキーマには対応するものがありません。

制限の比較

制限HeyGen Avatar 6Kling Avatar 2.0
駆動音声の長さ2〜60秒2〜60秒
駆動音声のサイズ最大15 MB最大5 MB(検出可能な場合)
音声ファイルなしの発話可能、textで最大1,000文字不可
参照画像の枚数11
出力解像度の選択1080pまたは2KPoYoのスキーマにフィールドなし
プロンプトの長さ1,200文字5,000文字
モデルのティアheygen-avatar-6、heygen-avatar-6-turbokling-avatar-2.0/standard、kling-avatar-2.0/pro

両者の間を移行する際につまずきやすい制限が2つあります。Klingの音声上限5 MBはHeyGenの3分の1なので、HeyGenで通る60秒のWAVがKlingでは拒否されることがあります。両方に振り分けるならMP3に圧縮してください。HeyGenのプロンプト上限1,200文字はKlingの5,000文字より短いので、長いKling用プロンプトは削る必要があります。

同じクリップでの料金

どちらも秒単位の課金です(1クレジット = $0.005)。HeyGenでは、音声リクエストは音声の長さを整数秒に切り上げて課金されます。

モデル1秒あたり料金10秒クリップ30秒クリップ60秒クリップ
kling-avatar-2.0/standard7クレジット($0.035)70クレジット($0.35)210クレジット($1.05)420クレジット($2.10)
heygen-avatar-6-turbo 1080p10クレジット($0.05)100クレジット($0.50)300クレジット($1.50)600クレジット($3.00)
kling-avatar-2.0/pro14クレジット($0.07)140クレジット($0.70)420クレジット($2.10)840クレジット($4.20)
heygen-avatar-6-turbo 2K18クレジット($0.09)180クレジット($0.90)540クレジット($2.70)1,080クレジット($5.40)
heygen-avatar-6 1080p20クレジット($0.10)200クレジット($1.00)600クレジット($3.00)1,200クレジット($6.00)
heygen-avatar-6 2K29クレジット($0.145)290クレジット($1.45)870クレジット($4.35)1,740クレジット($8.70)

1080pのTurbo(1秒あたり10クレジット)はKling StandardとKling Proの間に位置します。2KのTurboは1秒あたり18クレジットで、HeyGen側は出力解像度が明示されています。料金表の全体と課金ルールはHeyGen Avatar 6 API料金をご覧ください。

それぞれのAPIの用途

上記の事実からは、「どちらが優れているか」ではなく入力による使い分けが導かれます。

リクエスト振り分け先
写真 + 録音済み音声、最安の秒単価kling-avatar-2.0/standard
写真 + 録音済み音声、1080pまたは2Kを明示heygen-avatar-6-turbo または heygen-avatar-6
スクリプトのみ、音声の録音なしHeyGenのパブリックアバターモード(テキストからアバターへ)
短いクリップからのカートゥーンやマスコットHeyGenの参照動画モード
特定の言葉に合わせたジェスチャーHeyGenのprompt。HeyGenのレポートには「動作をセリフの横に書くだけ。Avatar 6がその瞬間に正確に演じる」とある
長い自由記述の演出指示プロンプトが5,000文字まで使えるKling
5〜15 MBの音声ファイルHeyGen

品質について、HeyGenのテクニカルレポートは自社の旧モデルとの選好投票のみを公開しています(879票中69.7%がAvatar VよりAvatar 6 Qualityを選択)。私たちはHeyGen Avatar 6とKling Avatar 2.0を同じ入力でテストしていないため、両者の品質についての主張はしません。品質が決め手になるなら、同じ写真と音声を両方に送信してください。Kling StandardとHeyGen Turbo 1080pで10秒のペアなら、70 + 100 = 170クレジット($0.85)です。

切り替え:JSONの差分

Kling Avatar 2.0のリクエストは、どちらもimage_urls(1項目)、audio_url、promptを使うため、HeyGenの写真モードにそのまま対応します。以下はドキュメントにあるKlingのリクエストです。

{
  "model": "kling-avatar-2.0/standard",
  "callback_url": "https://your-domain.com/callback",
  "input": {
    "image_urls": ["https://example.com/avatar.png"],
    "audio_url": "https://example.com/voice.mp3",
    "prompt": "A natural talking avatar facing the camera."
  }
}

そして、同じジョブをHeyGen Avatar 6の写真モードで送る場合:

{
  "model": "heygen-avatar-6",
  "callback_url": "https://your-domain.com/callback",
  "input": {
    "image_urls": ["https://example.com/avatar.png"],
    "audio_url": "https://example.com/voice.mp3",
    "prompt": "A natural talking avatar facing the camera.",
    "resolution": "1080p"
  }
}

変更点:

  1. modelをheygen-avatar-6またはheygen-avatar-6-turboにする。
  2. 必要に応じてresolutionを追加する(デフォルト1080p、または2K)。
  3. promptを1,200文字に切り詰め、ジェスチャー、表情、姿勢の指示として書き直す。
  4. 音声サイズの上限は5 MBから15 MBに上がる。2〜60秒の長さのルールは同じ。
  5. 写真モードではaspect_ratioを追加しない。動画は写真のアスペクト比を維持する。

ステータスエンドポイント、コールバックの形式、files[].file_urlの結果は同じなので、ポーリングとダウンロードのコードは変わりません。逆方向では、Klingに移せるのは写真モードのリクエストだけです。テキスト、アバター、参照動画のリクエストには、PoYo上でKlingの対応機能がありません。

よくある質問

HeyGen Avatar 6 APIはKling Avatar 2.0より安いですか?

1秒あたりの料金はKling Avatar 2.0のほうが低く、Kling Standardは7クレジット($0.035)、Kling Proは14クレジット($0.07)です。HeyGen Turboは1080pで10クレジット($0.05)、2Kで18クレジット($0.09)です。

Kling Avatar 2.0はHeyGen Avatar 6 APIのようにテキストを読み上げられますか?

PoYoではできません。Kling Avatar 2.0にはaudio_urlが必要です。HeyGenのパブリックアバターモードは代わりにtextとvoiceを受け付けます。

HeyGen Avatar 6とKling Avatar 2.0は同じリクエスト形式ですか?

エンドポイントと外側の構造は同じです。写真モードではinputフィールド(image_urls、audio_url、prompt)が重なるので、切り替えはほぼmodel文字列だけです。

両APIが受け付ける音声の長さは?

どちらも2〜60秒です。HeyGenは最大15 MBのファイルを、Klingはサイズが検出可能な場合に最大5 MBを受け付けます。

カートゥーンのマスコットにはどちらのAPIを使うべきですか?

HeyGen Avatar 6の参照動画モードです。アニメやイラストのキャラクター向けとしてドキュメントに記載されています。リクエスト本文はHeyGen Avatar 6 APIガイドをご覧ください。

Share: