Heygen 720p

Коротко

Разработчик

HeyGen, американская компания, известная цифровыми аватарами

На входе

одно фото и одна запись голоса до 60 секунд

На выходе

видео MP4 720p, длина ровно как у записи

Русский язык

говорит на языке вашей записи, русскую речь мы проверили

Особое

настроек нет, только два файла

Цена

1 ₽/сек., от 30 ₽

Обычно готово

≈ 2,5 мин после отправки

Что получается на наших пробах

Нейросеть умеет одно: взять портрет и заставить его произнести вашу запись. Мы сделали три ролика, все люди и голоса в них выдуманы.

Одна фраза у трёх нейросетей

Портрет библиотекаря нарисовала Nano Banana 2 Lite, а фразу прочитал синтетический голос из озвучки сайта «Мега»:

Запись на 3,8 секунды мы отдали ей, P-Video Avatar и OmniHuman 1.5. В P-Video поле задания оставили пустым, чтобы условия были равными.

Нейросеть оставила женщину почти неподвижной: плечи и сложенные руки стоят, голова чуть покачивается, а улыбка из сдержанной на фото стала широкой и держится всю фразу, даже на вопросе. Рот в кадрах открывается меньше, чем у двух других. Соседи подвижнее: P-Video наклоняет голову, OmniHuman добавляет жест. Для приветствия или объявления, где ведущий должен выглядеть дружелюбно и спокойно, такой результат подходит, а для эмоциональной речи мы бы выбрали соседей.

Двадцать секунд одним роликом

Ту же героиню мы озвучили длиннее, на 19,5 секунды: книги продлены, на полке новинки, есть стеллаж про сад и огород.

Лицо от начала до конца одно и то же, очки не гнутся, фон не дрожит. Ролик вышел ровно 19,48 секунды, как запись, без хвоста тишины. Смотрится он как запись с веб-камеры, где человек улыбается и не жестикулирует: на 20 секундах эта ровность уже заметна.

Мультяшный герой

Рисованные персонажи тоже говорят. Пекаря в стиле 3D-мультфильма мы нарисовали в той же Nano Banana 2 Lite по такому заданию:

Озвучку на 11 секунд сделали там же, в «Меге», бодрым мужским голосом.

Мы нарочно взяли героя с усами, закрывающими верхнюю губу. Рот под ними открывается, видны зубы, пекарь моргает и слегка поводит головой, а колпак, усы и булки на прилавке остались мультяшными, без перехода в «живое» лицо. Пекарь заговорил с первого запуска.

Как это работает

Загрузите портрет в поле Изображение и запись голоса в поле Аудио. Снимок принимается в JPG, PNG, WebP или HEIC с iPhone, звук — в MP3, WAV, M4A, AAC, FLAC, OGG или OPUS, длиной до 60 секунд. Голос нейросеть не создаёт и текст не переводит: человек на фото повторит то, что записано, на том же языке. Записи нет — сделайте её в разделе «Озвучка текста».

Цена появится на кнопке Отправить, когда загрузите звук. Готовое видео придёт в ленту под формой и 7 дней пролежит в Моих результатах, нужное скачайте или сохраните в библиотеку. Своё лицо и свой голос загружайте смело, а чужие только с согласия человека: справка сайта запрещает изображения реальных людей без согласия.

Настройки: два файла

Полей для задания, качества и пропорций нет, поэтому всё решает подготовка.

• Фото: один человек, лицо анфас, рот закрыт и ничем не заслонён. Фон в наших роликах оставался неподвижным.
• Запись: чистая речь без музыки и эха, тогда губам проще попасть в слова.
• Длина: оплата считается минимум за 30 секунд, поэтому короткую фразу выгодно дополнить до полуминуты, если вам есть что сказать.
• Размер ролика не выбирается. Из нашего вертикального снимка вышло 714×1280.

Сколько стоит

Платите за секунды записи, но не меньше чем за 30 секунд.

Поэтому фраза на 5 секунд и речь на полминуты стоят одинаково. Если нейросеть вернёт ошибку, деньги вернутся на баланс.

Для чего подойдёт

• Объявление от лица администратора, мастера или продавца: новые часы работы, запись на занятие.
• Видеоответ на частый вопрос клиентов: фото сотрудника, который согласился, и запись на полминуты.
• Мультяшный продавец или повар для витрины и соцсетей магазина, как наш пекарь.
• Озвученная подсказка или приветствие для сайта и чата, где лишние движения только отвлекают.
• Приглашение на мероприятие: дата, место и просьба ответить, всё в одной записи до минуты.

Где эта нейросеть не поможет

• Запись длиннее минуты форма не примет. Разбейте текст на части по минуте или возьмите P-Video Avatar, она принимает до 10 минут.
• Попросить эмоцию или жест нельзя. Для управляемых жестов есть P-Video с полем «Задание», для мимики по смыслу речи — OmniHuman 1.5.
• Качество только 720p. Для большого экрана подойдёт 1080p в P-Video.
• Улыбка может стать шире, чем на снимке. Если герой должен говорить серьёзно, проверьте это на короткой записи.

Соседние нейросети и альтернативы

Ещё две нейросети той же компании работают не с фото, а с готовым видео. Как они переводят и переозвучивают ролики, мы показали в обзоре всей линейки.

Что ещё спрашивают