Цифрового двойника в HeyGen Avatar V можно собрать из 15 секунд записи с вебки. Через API секунда видео стоит $0,0667, то есть тридцатисекундный ролик обходится в $2, а батч из двадцати роликов в $40. Дальше сценарии, субтитры и монтаж автоматизируются скриптом.
Ещё год назад говорящая голова в кадре означала студию, свет, петличку и полдня съёмок. Сейчас достаточно пятнадцати секунд записи с вебки: модель строит цифрового двойника, а дальше вы пишете текст и получаете вертикальные ролики пачками. Разбираем, как собрать такой конвейер и сколько он стоит.
Речь не про аватар, который читает монолог роботом. Речь про вашу внешность, вашу мимику и ваш голос, размноженные на десятки роликов без повторной съёмки. Для контент-завода это меняет экономику: вместо «снять пять роликов за день» получается «сделать двадцать за вечер».
Что нужно, чтобы получить аватара
Минимум — пятнадцать секунд видео, где вы говорите в камеру. Этого хватает, чтобы HeyGen собрал цифрового двойника в Avatar V. На практике лучше записать две минуты: модели нужно больше движения и естественной речи, чтобы мимика не выглядела маской.
Требования простые и жёсткие одновременно. Один человек в кадре, лицо не выходит за границы, речь слышно без музыки и эха, разрешение от 640 пикселей по длинной стороне. Снимать можно на телефон, лишь бы свет падал на лицо, а не сзади.
Создание двойника стоит $1 за вызов API. Дальше вы платите только за секунды готового видео.
Пайплайн из четырёх шагов
Схема выглядит так: сценарий, аватар, субтитры, монтаж. Каждый шаг автоматизируется отдельно, и это важно: если пытаться сделать всё одной кнопкой, получается конвейер без контроля.
Сценарий. Модель пишет текст под вертикаль: два-три предложения на тезис, без длинных вводных. Держите 20–30 секунд на ролик, иначе аватар успевает надоесть, а досмотры падают.
Аватар. Через API отправляете текст и получаете видео 9:16 с частотой 25 кадров. Одна сцена до 30 минут, до 50 сцен в ролике, разрешение от 128 до 4096 пикселей.
Субтитры. Дорожку прогоняете через Whisper large-v3-turbo, получаете таймкоды и собираете ASS-файл. Субтитры в вертикали обязательны: половина ленты смотрит без звука.
Монтаж. ffmpeg накладывает субтитры, добавляет перебивки и зумы, режет паузы. Здесь же ставится обложка и первая секунда, которая решает, досмотрят ролик или пролистнут.
Сколько стоит
Avatar V в API стоит $0,0667 за секунду при 720p и 1080p, это $4 за минуту. Тридцатисекундный ролик обходится в $2, двадцать таких роликов в $40. Плюс доллар за создание двойника, если делаете его один раз.
Для сравнения: фото-аватар на Avatar IV стоит $0,05 за секунду. Разница в цене небольшая, но качество мимики у Avatar V выше, а для лица в кадре это главное.
Если работаете через веб-интерфейс, а не API, планы начинаются с $29 в месяц за 600 кредитов. Бесплатный тариф даёт три видео, но без API-доступа его хватит только на пробу.
Как автоматизировать батч
Ручная генерация двадцати роликов убивает весь смысл затеи. Нужен скрипт, который читает JSON со сценариями, отправляет задачи в API, опрашивает статус и складывает готовые файлы в папку с понятными именами.
Схема простая: массив из темы, текста и имени файла. Скрипт создаёт видео, ждёт завершения, скачивает результат, тут же прогоняет через Whisper и ffmpeg и кладёт в папку ready/. Ошибки логируются, повторы ограничены тремя попытками, чтобы один сбой не остановил весь батч.
Такой пайплайн удобно запускать ночью: к утру лежат двадцать готовых роликов с субтитрами. Днём остаётся только посмотреть, выбрать лучшие и выложить.
Где ломается
Первое: жесты. Модель хорошо держит лицо и мимику, но руки в кадре всё ещё иногда плывут. Лечится кадрированием по грудь: меньше рук, меньше артефактов.
Второе: паузы. Аватар честно читает текст с запятыми, и если в сценарии их много, ролик провисает. Пишите короткими фразами и убирайте вводные.
Третье: сложные слова. Названия моделей, брендов и аббревиатуры модель может прожевать. Проверяйте первую генерацию на сложных терминах и при необходимости переписывайте их фонетически.
Четвёртое: однообразие. Даже идеальный аватар приедается к пятому ролику, если он всегда в одном кадре и с одним фоном. Меняйте планы, добавляйте перебивки и вставки экрана.
Чек-лист перед батчем
- Проверить сценарии на длину: 45–75 слов на ролик.
- Убрать сложные термины или переписать их фонетически.
- Сгенерировать один тестовый ролик и посмотреть руки и паузы.
- Прогнать субтитры и убедиться, что они не перекрывают лицо.
- Сделать обложку и первую секунду: без них ролик не откроют.
Итог
Аватар не заменяет вас как автора, он снимает с вас съёмку. Один раз записали две минуты, один раз настроили скрипт, дальше контент делается текстом. Для контент-завода это самый быстрый способ держать регулярность, не превращая каждый ролик в съёмочный день.
Если хотите, чтобы мы разобрали ваш пайплайн и собрали автоматизацию под него, приходите в Telegram-канал N2D2 AI: там выходят разборы инструментов и готовые схемы.