![]()
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_url | 2〜60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 |
resolution | 1080p(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 6 | Kling 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 | 1 | 1 |
| 出力解像度の選択 | 1080pまたは2K | PoYo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-turbo | kling-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/standard | 7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 1080p | 10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/pro | 14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 2K | 18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 1080p | 20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 2K | 29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:
modelをheygen-avatar-6またはheygen-avatar-6-turboにする。- 必要に応じて
resolutionを追加する(デフォルト1080p、または2K)。 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。- 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。
- 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。