![]()
HeyGen Avatar 6 API potrafi zrobić wideo z prezenterem z samego skryptu. W trybie publicznego awatara podajesz jeden z 1,248 gotowych wyglądów HeyGen, wysyłasz do 1,000 znaków text, wybierasz jeden ze 102 głosów, a heygen-avatar-6 (lub heygen-avatar-6-turbo) zwraca MP4 z synchronizacją ust. Bez zdjęcia, bez nagrania, bez kroku zamiany tekstu na mowę po Twojej stronie. Ten poradnik pokazuje, jak wybrać wygląd i głos z katalogu, sterować gestami przez prompt, wybrać format kadru i ile kosztuje żądanie tekstowe. Wyglądy możesz też przejrzeć na stronie modelu HeyGen Avatar 6.
Żądanie text to avatar
To udokumentowana treść żądania dla trybu publicznego awatara z tekstem:
{
"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"
}
}
| Pole | Wymagane | Zasada |
|---|---|---|
avatar | Tak | Jedna z 1,248 nazw wyglądów |
text | Tak (zamiast audio_url) | 1–1,000 znaków |
voice | Nie | Jedna ze 102 nazw; domyślnie Warm Pro Narrator |
prompt | Nie | Do 1,200 znaków wskazówek reżyserskich |
aspect_ratio | Nie | 16:9 (domyślnie), 9:16, 1:1, 4:5, 5:4 |
resolution | Nie | 1080p (domyślnie) lub 2K |
To obecność avatar wybiera ten tryb. Nie wysyłaj dodatkowo image_urls ani video_url; w jednym żądaniu używaj danych wejściowych jednego trybu. Wyślij żądanie na POST https://api.poyo.ai/api/generate/submit i odpytuj /api/generate/status/{task_id}, jak w przewodniku po HeyGen Avatar 6 API.
Wybierz wygląd awatara z katalogu
PoYo publikuje wszystkie nazwy na stronie Avatars and Voices oraz jako katalog JSON. Katalog ma pięć kluczy:
| Klucz | Zawartość |
|---|---|
models | heygen-avatar-6, heygen-avatar-6-turbo (te same nazwy działają w obu) |
default_voice | Warm Pro Narrator |
avatars | Wszystkie 1,248 nazw wyglądów, jako płaska lista |
avatars_by_person | Te same wyglądy pogrupowane według 156 osób |
voices | Wszystkie 102 nazwy głosów |
Każda osoba ma jeden lub więcej wyglądów, a każdy wygląd to osobna wartość avatar. Abigail ma pięć (Abigail (Upper Body), Abigail Office Front, Abigail Office Side, Abigail Sofa Front, Abigail Sofa Side); Annie ma 54; osiem osób ma tylko jeden wygląd. Nazwy opisują otoczenie, strój i kąt kamery, co zwykle wystarcza do wyboru bez podglądu:
| Chcesz | Szukaj nazw z | Przykłady |
|---|---|---|
| Prezenter patrzący w kamerę | Front | Abigail Office Front, Bryan Suit Front |
| Ujęcie w trzech czwartych | Side | Abigail Office Side |
| Na siedząco, swobodnie | Sofa, Sitting, Lounge | Annie Sofa Sitting Front |
| Rola lub otoczenie | Doctor, Nurse, Yoga, Tech Expert | Ann Doctor Standing, Adriana Nurse Front, Amelia Yoga Front, Bryan Tech Expert |
Około 480 nazw zawiera Front, a około 430 zawiera Side. Do serii filmów objaśniających wybierz jedną osobę i trzymaj się jej wyglądów Front, żeby prezenter był ten sam we wszystkich filmach. Pasującego wyglądu Side używaj do przebitek.
Nazwy są dopasowywane bez względu na wielkość liter i dodatkowe spacje, więc abigail office front wybiera Abigail Office Front. PoYo sprawdza avatar z listą przy wysłaniu, więc literówka daje od razu 400 zamiast nieudanego zadania. Najpierw zwaliduj dane we własnym kodzie:
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}
Sprawdzanie głosu celowo używa dokładnych nazw; następna sekcja wyjaśnia dlaczego.
Wybierz głos
voice decyduje, kto czyta text. Jeśli go pominiesz, dostaniesz Warm Pro Narrator. Wśród 102 głosów są zwykłe imiona (Andrew, Ivy, Jessica Anne Bogart), nazwy opisowe (Calm Chloe, Professor Dean, Radio Rick, Chill Brian) i kilka ze znacznikiem stylu w nazwie.
Trzy rzeczy często sprawiają kłopot:
- Spacje na końcu mogą mieć znaczenie. Dokumentacja zaznacza, że
HopeiHope(ze spacją na końcu) to dwa różne głosy.Archer,Cassidy,Adam Stone,Spuds OxleyiAndrew Rizzteż kończą się w katalogu spacją. Kopiuj nazwy z JSON zamiast przepisywać je ręcznie. - Niektóre nazwy zawierają emoji lub przyrostki przypominające nazwy plików, np.
Cute Chloe - Friendly 😊alboBrenda - UGC - 1.mp4. Te znaki są częścią nazwy. Wyślij treść żądania jako JSON w UTF-8, a nazwa przejdzie bez zmian. - Głos nie jest powiązany z awatarem. Każdy ze 102 głosów może czytać dla każdego z 1,248 wyglądów. Wybierz głos pasujący do osoby w kadrze; w naszych testach w dniu premiery połączyliśmy
Bryan Tech ExpertzAndreworazAbigail Office FrontzJessica Anne Bogart.
voice działa tylko, gdy wysyłasz text. Jeśli zamiast tego wyślesz audio_url, awatar wypowie Twoje nagranie, a voice nie zostanie użyty.
Steruj gestami przez prompt
prompt przyjmuje do 1,200 znaków wskazówek dotyczących gestów, mimiki i postawy. Raport techniczny HeyGen opisuje tę technikę: "Wpisz akcję obok słów. Avatar 6 wykona ją dokładnie we właściwym momencie." Przykład z raportu: "Friendly pharmacist. On 'Hello', give a thumbs up. On 'the counter on the left', point to the side with your index finger."
Wzorzec zgodny z tym formatem:
{
"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"
}
}
Wskazówki, dzięki którym prompty są przydatne:
- Cytuj dokładne słowa z
text, na które ma przypaść każda akcja, żeby moment był jednoznaczny. - Najpierw opisz jedną rolę lub nastrój ("Friendly product expert"), potem momenty.
- Pomiń
prompt, gdy nie masz konkretnych wskazówek. Strona premierowa Avatar 6 HeyGen mówi, że model sam "dopasowuje gesty, emocje i mimikę do Twojego skryptu".
Wybierz proporcje obrazu do miejsca publikacji
aspect_ratio istnieje tylko w trybie publicznego awatara; tryby zdjęcia i wideo referencyjnego zachowują kształt danych wejściowych.
| Miejsce publikacji | aspect_ratio |
|---|---|
| Strona internetowa, YouTube, lekcja w LMS | 16:9 (domyślnie) |
| Shorts, Reels, TikTok, relacje | 9:16 |
| Kwadratowy post w feedzie, karta w aplikacji | 1:1 |
| Pionowy post w feedzie | 4:5 |
| Poziomy post w feedzie | 5:4 |
resolution jest osobnym ustawieniem: 1080p lub 2K w dowolnych proporcjach. 2K kosztuje więcej za sekundę, więc wersje robocze renderuj w 1080p.
Jak długie będzie wideo i ile kosztuje
Przy tekście wideo trwa tyle, ile awatarowi zajmie jego przeczytanie, do 1,000 znaków. Płacisz za długość gotowego wideo, zaokrągloną w górę do pełnych sekund. Kredyty są rezerwowane przy wysłaniu i rozliczane według rzeczywistej liczby sekund po zakończeniu zadania.
Nasze testy z dnia premiery na produkcyjnym API, 19 listopada 2026 roku (16:9, 1080p):
| Model | Awatar / głos | Skrypt | Wynik | Koszt według obecnych cen | Czas |
|---|---|---|---|---|---|
heygen-avatar-6-turbo | Abigail Office Front / Jessica Anne Bogart | 27 słów | 10.16 s | 110 kredytów ($0.55) | Około 2.4 min |
heygen-avatar-6 | Bryan Tech Expert / Andrew | 21 słów | 6.88 s | 140 kredytów ($0.70) | Około 2 min |
W tych dwóch przebiegach daje to około 2.7 i 3.1 słowa na sekundę, co przydaje się do zgrubnego budżetu, ale nie jest gwarancją, bo tempo zależy od głosu i skryptu. Stawki za sekundę: Turbo 10 kredytów ($0.05) w 1080p lub 18 ($0.09) w 2K; Avatar 6 20 kredytów ($0.10) lub 29 ($0.145). Więcej w artykule Cennik HeyGen Avatar 6 API.
Ponieważ zadania tekstowe blokują rezerwację w trakcie działania, wysłanie wielu naraz może zwrócić HTTP 200 z code 402 w treści (insufficient_credits_error). W naszym teście trzecie żądanie zostało odrzucone z komunikatem: "this request needs at least 252 credits, and 344 credits are already reserved by your unfinished HeyGen Avatar 6 text tasks." Kolejkuj zadania tekstowe albo utrzymuj saldo pokrywające trwające rezerwacje. Podczas iteracji używaj Turbo; porównanie Avatar 6 vs Turbo pokazuje, kiedy się przełączyć.
Najczęściej zadawane pytania
Czy HeyGen Avatar 6 API może zamienić tekst w wideo z mówiącym awatarem?
Tak. W trybie publicznego awatara wyślij avatar, do 1,000 znaków text i opcjonalnie voice. Plik audio nie jest potrzebny.
Gdzie jest lista awatarów i głosów HeyGen Avatar 6 API?
Na stronie dokumentacji PoYo Avatars and Voices oraz w katalogu JSON do pobrania z kluczami avatars, avatars_by_person i voices.
Jaki jest domyślny głos w HeyGen Avatar 6 API?
Warm Pro Narrator, używany, gdy pominiesz voice.
Czy mogę użyć własnego zdjęcia z tekstem zamiast gotowego awatara?
Nie. text działa tylko w trybie publicznego awatara. Dla własnego zdjęcia użyj trybu zdjęcia z image_urls i audio_url; w razie potrzeby najpierw wygeneruj audio modelem TTS.
Jakie proporcje obrazu obsługuje text to avatar w HeyGen Avatar 6?
16:9, 9:16, 1:1, 4:5 i 5:4, w 1080p lub 2K.
Jak rozliczane jest żądanie tekstowe w HeyGen Avatar 6 API?
Według długości gotowego wideo, zaokrąglonej w górę do pełnych sekund, po stawce modelu za sekundę. Kredyty są rezerwowane przy wysłaniu i rozliczane po zakończeniu zadania.