Нейросеть HeyGen делает из фотографии говорящее видео, ставит в кадр готового цифрового ведущего, переводит ролик на другой язык голосом того, кто в кадре, и подгоняет губы под новую запись. HeyGen — компания из Лос-Анджелеса, её в 2020 году основали Джошуа Сюй и Уэйн Лян. Известна она цифровыми аватарами: двойник по фото или видео читает любой текст. На сайте шесть её нейросетей. HeyGen Avatar IV оживляет фото с подсказкой мимики и своим фоном, HeyGen Avatar V ставит в кадр готовых ведущих, а HeyGen Avatar 6, вышедшая в ноябре 2026 года, умеет и то и другое, а ещё читает ваш текст голосом из списка и заставляет говорить рисованных героев. Ещё есть перевод видео, липсинк и HeyGen Video 1.0, которая снимает сцену по описанию. Формы у всех на русском, а платите вы в рублях за секунды видео или звука.
Чтобы показать говорящее фото, перевод и липсинк на одном примере, мы провели одну ведущую через три нейросети. Керамистки Веры не существует: портрет сделали в GPT Image 2, объявление озвучили голосом Alicia в ElevenLabs Eleven v3, а заговорила она в говорящем фото HeyGen, ролик вышел в 720p.
Текст, который прочитала ElevenLabs Eleven v3:
Привет! Я Вера, у меня маленькая мастерская керамики. В эту субботу в двенадцать проводим мастер-класс: за два часа слепите свою кружку, а глазурь выберете сами. Места ещё есть, пишите нам в сообщения!
Ролик пришёл через 1 минуту 46 секунд. Вера моргает, слегка кивает и улыбается между фразами, губы попадают в слова. Фартук и полки за спиной неподвижны. Портрет мы заказали анфас, с закрытым ртом и опущенными руками, и ролик получился с первого запуска. Задание (промпт) для GPT Image 2, качество Medium, 9:16:
Вертикальное фото, как снятое на телефон: женщина лет 35 стоит в своей маленькой мастерской керамики и смотрит прямо в камеру. Спокойная лёгкая улыбка, рот закрыт, лицо полностью видно, руки опущены и не касаются лица. Тёмные волосы собраны в пучок, льняной фартук с пятнами глины. За спиной полки с кружками и мисками ручной работы, гончарный круг, мягкий дневной свет из окна. Реалистичная фотография, естественная кожа, без текста.
Это говорящее фото с подробными настройками. В HeyGen Avatar IV вы загружаете Фото и Аудио с речью или песней до 5 минут. В поле Задание до 5000 знаков можно подсказать мимику и жесты, а если оставить его пустым, нейросеть подберёт движения по голосу. В поле Фон загрузите свою картинку, и человек со снимка окажется в другом месте. Разрешение от 360p до 1080p; Соотношение сторон, то есть пропорции кадра, — «Как у фото», 16:9 для горизонтального ролика, 9:16 для сторис, 1:1, 5:4 или 4:5; Выразительность бывает «Сдержанная» (стоит по умолчанию), «Средняя» и «Яркая». Цена идёт за секунду записи.
Мы сделали восемь роликов по 5–11 секунд с разными выдуманными людьми. Портреты рисовали GPT Image 2 и Nano Banana 2.1, говорили они голосами ElevenLabs Eleven v4. Ниже экскурсовод: через поле Фон мы перенесли её в зал с окнами на вечерний город, и портрет, и зал нарисованы нейросетями.
Экскурсовод говорит спокойно и показывает рукой в сторону.
HeyGen Avatar IV · 1080p, 16:9, выразительность «Средняя», свой фон, 10 с · 15 ₽/сек.
Губы попадают в слова точно, ролик в 1080p вышел 1920×1080, а все восемь считались от полутора до трёх минут. Рукой в сторону экскурсовод показала в самом конце, на последних словах. «Яркая» выразительность добавляет улыбок и движений головы, а вот просьбу развести руки в одной из проб модель не выполнила, так что жесты из задания мы бы не обещали.
Своя картинка в поле «Фон» обстановку за спиной в наших пробах не заменила: при 16:9 она заполнила поля по бокам вертикального фото, а в 9:16 не появилась вовсе. И ей нужно лицо человека: енота и рисованный стаканчик кофе она отклонила.
Здесь своё фото не нужно. В HeyGen Avatar V в поле Персонаж вы выбираете одного из 68 готовых ведущих, в поле Сцена — место, позу и ракурс, всего 500 вариантов вроде «Кухня, стоя, анфас» или «Офис, сидя, вполоборота». В поле Аудио загружаете запись речи до 5 минут и получаете ролик, где ведущий её произносит. Поля Задание нет. Есть Фон, Разрешение 720p, 1080p или 4K и Соотношение сторон 16:9, 9:16, 1:1, 5:4 и 4:5. Секунда здесь дороже, чем в Avatar IV, зато ролик в 4K вышел 3840×2160.
HeyGen Avatar V · персонаж Brandon, сцена «Кухня, стоя, анфас», 4K, 16:9, 7 с · 23 ₽/сек.
В восьми пробах русская речь легла на губы синхронно, Brandon и остальные жестикулировали сами, в такт записи, а ролики по 5–10 секунд шли от полутора до четырёх минут. До запуска учтите два ограничения. Сцены сняты горизонтально, и при 9:16, 4:5 или 1:1 модель не кадрирует ведущего, а добавляет светлые поля сверху и снизу, так что для сторис лучше подходит Avatar IV со своим фото. А Фон подменяет только окружение за спиной: стол и низ кадра остаются белыми.
HeyGen выпустила HeyGen Avatar 6 17 ноября 2026 года и собрала в ней то, что в линейке было порознь. В поле Тип генерации три варианта. «Фото + аудио» оживляет ваш снимок под запись речи, как Avatar IV, пропорции ролика берутся с фото. «Готовый ведущий» ставит в кадр одного из 156 ведущих, у каждого несколько вариантов в поле Образ: офис, диван, разные пиджаки. Записывать речь для него не обязательно: в поле Речь выберите «Текст», напишите до 3000 знаков и возьмите один из 102 голосов. «Персонаж из видео» заставляет говорить рисованного или 3D-героя из ролика от 2 секунд и до 50 МБ, видео реальных людей модель не принимает. Запись речи везде до 5 минут. Ещё в форме есть Модель «Стандарт» или «Турбо» (от выбора и разрешения зависит цена секунды), необязательное Задание до 1200 знаков для мимики и жестов и Разрешение 1080p или 2K.
Чтобы сравнить её с Avatar IV, мы отдали обеим одни и те же файлы: портрет выдуманной ведущей новостей и запись речи на 9 секунд, поле Задание пустое.
HeyGen Avatar IV · 1080p, выразительность «Сдержанная» · 15 ₽/сек.
HeyGen Avatar 6 · 1080p, «Фото + аудио», модель «Стандарт» · от 8 ₽/сек.
Губы попадают в слова у обеих, разница в руках. В Avatar IV руки ведущей лежат на столе всю фразу. В Avatar 6 она сама машет на приветствии, складывает ладони и в середине сводки машет ещё раз, хотя жестов мы не просили. Для живого обращения к подписчикам нам больше понравилась Avatar 6, для строгого новостного кадра подойдёт Avatar IV.
Другие режимы мы тоже проверили. Готовая ведущая Masha прочитала русский текст голосом «Masha - Lifelike» слово в слово, по-русски говорили и голоса Iskander и Calm Chloe. Рисованный стаканчик кофе из ролика помахал перчаткой и открывал рот под слова, а ролик вышел ровно по длине записи. Ролики по 5–14 секунд приходили за полторы–две с небольшим минуты. Ограничения такие же, как у соседей: готовый ведущий в 9:16 и 1:1 стоит в горизонтальной сцене со светлыми полями сверху и снизу, как в Avatar V, а вертикальный ролик без полей выходит из вертикального фото в «Фото + аудио». Часть образов модель отклоняет сразу, деньги за такой запуск возвращаются. Поля Фон и уровней выразительности, как у Avatar IV, здесь нет, а 4K есть только у Avatar V. Другие нейросети для говорящего фото со своими плюсами разобраны в разделе «Говорящее фото».
Heygen Translate 2 распознаёт речь в ролике, переводит её, озвучивает голосом того же человека и перерисовывает губы. Образец голоса не нужен. В списке Язык перевода 178 вариантов, от русского и китайского до испанского для Мексики, а загрузить можно запись до 6 часов.
В поле Тип генерации есть Speed и Precision. Первый дешевле и, по словам разработчиков, рассчитан на лицо, повёрнутое от камеры не больше чем на 45°. Второй, по тем же словам, нужен для съёмки в профиль, рта, заслонённого рукой или микрофоном, и разговора нескольких людей. Ещё здесь есть Только перевод аудио, когда лицо трогать не надо, Количество спикеров до 20 и Динамическая длительность, которая разрешает переводу стать длиннее или короче оригинала. Как перевод выглядит рядом со сменой формата кадра и субтитрами, показано в разделе «Изменение видео».
Перевода здесь нет. В Heygen Lipsync V3 вы загружаете видео и новую запись, а она делает липсинк, то есть перестраивает движения губ под звук. Режим бывает Быстро и Точно, второй дороже и, по описанию в форме, даёт более качественный липсинк. Под галочкой Дополнительные настройки лежат переключатели Автоподгонка длительности, Убрать музыку, Улучшить речь, Добавить субтитры и поля Начало фрагмента и Конец фрагмента, чтобы переделать кусок. Цена считается по длине всего ролика, даже если правите фрагмент. Нейросеть рассчитана на видео, где уже звучит речь: на беззвучном ролике она у нас не сработала. С нейросетями Kling, Sync и ByteDance её сравнивали в разделе «Липсинк».
Единственная нейросеть линейки, которой не нужны ни готовое видео, ни запись голоса. HeyGen Video 1.0 снимает ролик от 5 до 15 секунд. В поле Тип генерации выберите «Видео из текста» и опишите сцену в поле Задание. Или выберите «Видео из изображения» и загрузите картинку: ролик начнётся с неё, а в поле Задание напишите, что должно двигаться. Звуковая дорожка создаётся вместе с видео, переключателя для неё нет. Из картинки ролик выходит в 480p, 768p, 1080p или 2K и повторяет её пропорции, из текста только в 480p и 768p, зато с выбором формата от квадрата до широкого 21:9. 480p подходит для проб, 768p для телефона и соцсетей, 1080p и 2K для большого экрана. Поле Улучшение задания («Быстрое» или «Качественное») разрешает нейросети дополнить и уточнить ваше задание. Чтобы оно выполнялось дословно, оставьте «Выключено». На цену поле не влияет. Цена идёт за секунду и зависит от разрешения: 480p дешевле всего, 1080p и 2K стоят одинаково, точные цифры в таблице ниже. Наши восемь роликов пришли за 30–56 секунд, дольше всех считался 2K.
Женщина медленно поднимает взгляд от книги, мягко улыбается и поправляет прядь волос, затем снова опускает глаза в книгу. Камера плавно приближается, тёплый свет из окна, в луче света кружатся пылинки.
HeyGen Video 1.0 · из изображения, 768p, 5 с · от 3 ₽/сек.
Портрет героини сделан в Nano Banana 2.1, такого человека нет. Она подняла взгляд, улыбнулась и поправила прядь, а лицо, свитер и комната остались как на исходнике. Говорить её мы здесь не просили. В единственной пробе с репликой, где бариста должен был сказать «Ваш кофе готов», разборчивой русской фразы не вышло: голос есть, слова не разобрать. Поэтому говорящего человека собирают иначе: портрет и запись голоса отдают Avatar IV или Avatar 6, без своего фото берут готового ведущего Avatar V или Avatar 6, а сцену без речи снимают в HeyGen Video 1.0.
Ролик Веры мы отправили на английский в Heygen Translate 2 в режиме Speed: она смотрит в камеру. Переключатель Динамическая длительность не трогали, в форме он включён.
Heygen Translate 2 · английский, Speed · от 8 ₽/сек.
Смысл перевод передал верно, мастерская стала «pottery studio». Голос в ролике женский и той же высоты, что в оригинале. Ролик стал чуть длиннее, 18,6 секунды вместо 18,4, ведь Динамическая длительность была включена.
Допустим, занятие перенесли на воскресенье. Мы озвучили ту же фразу с одной заменой, «в это воскресенье в три» вместо «в эту субботу в двенадцать», и отдали её Heygen Lipsync V3 вместе с готовым роликом.
Привет! Я Вера, у меня маленькая мастерская керамики. В это воскресенье в три проводим мастер-класс: за два часа слепите свою кружку, а глазурь выберете сами. Места ещё есть, пишите нам в сообщения!
Heygen Lipsync V3 · режим «Быстро» · от 8 ₽/сек.
Через 2 минуты 16 секунд Вера назвала новую дату. Кивки, улыбка и кадр остались от исходника, а длина подстроилась под новую запись: ролик укоротился до 17,1 секунды. Это работа переключателя Автоподгонка длительности, у нас он был включён. В форме он уходит выключенным, пока не отмечена галочка Дополнительные настройки. Поэтому, если новая запись длиннее или короче старой, отметьте галочку и проверьте, что переключатель включён.
Слабое место режима Быстро видно на крупном плане: рот открывается меньше, чем в оригинале, и на «в это воскресенье» губы едва расходятся. Для ролика, который увидят клиенты, мы бы запустили Точно. Сюжет Веры, вместе с портретом и озвучкой, обошёлся нам примерно в 350 ₽.
| Нейросеть | Цена | На входе | Настройки | Когда брать |
|---|---|---|---|---|
| HeyGen Avatar 6 | от 8 ₽/сек. | фото и звук до 5 мин, текст до 3000 знаков или видео рисованного героя | Тип генерации, Образ, Голос, Модель, Задание, Разрешение до 2K | Говорящее фото с живыми жестами, ведущий, который сам прочитает ваш текст, или говорящий маскот |
| HeyGen Avatar IV | 15 ₽/сек. | фото и звук до 5 мин | Задание, Фон, Разрешение до 1080p, Соотношение сторон, Выразительность | Говорящее фото с подсказкой мимики, своим фоном и в 1080p |
| HeyGen Avatar V | 23 ₽/сек. | звук до 5 мин, фото не нужно | Персонаж, Сцена, Фон, Разрешение до 4K, Соотношение сторон | Ведущий для объяснения или рекламы в горизонтальном ролике, когда своего фото нет или показываться не хотите |
| Heygen Translate 2 | от 8 ₽/сек. | видео до 6 ч | Speed или Precision, Только перевод аудио, Количество спикеров | Перевод голосом говорящего, от короткого обращения до лекции |
| Heygen Lipsync V3 | от 8 ₽/сек. | видео с речью и новая запись | Быстро или Точно, Начало фрагмента, Конец фрагмента, Убрать музыку | Замена фразы или новая озвучка своим звуком |
| HeyGen Video 1.0 | от 3 ₽/сек. | задание и, по желанию, картинка для первого кадра | Тип генерации, Соотношение сторон, Длительность 5–15 с, Разрешение до 2K, Улучшение задания | Сцена по описанию или оживший снимок без речи, широкий кадр 21:9 |
Если есть фото и запись голоса, а видео нет, берите HeyGen Avatar 6, когда человек должен сам жестикулировать или нужен 2K, и HeyGen Avatar IV, когда нужны свой фон и спокойная подача. Нет своего фото — готового ведущего поставят в кадр HeyGen Avatar V, у которой 500 сцен и 4K, и HeyGen Avatar 6, которой вместо записи голоса хватит текста. Говорить должен рисованный маскот или 3D-герой — это режим «Персонаж из видео» в Avatar 6. Если нет ни видео, ни записи, только идея или картинка, HeyGen Video 1.0 снимет сцену со звуком, но русскую реплику ей лучше не доверять. Ролик для зрителей из другой страны отдайте Heygen Translate 2: обращение в камеру переводите в режиме Speed, разговор двоих или съёмку в профиль в Precision. А если новый текст уже озвучен, например в разделе «Озвучка текста», губы под него подгонит липсинк.
Статья обновлена 18 ноября 2026 г.