HeyGen推出首个通用视频模型，音画同出
2026 年 9 月 30 日，HeyGen 发布 HeyGen Video，这是它的第一个通用视频模型，模型标识为 `heygen-video-1`。官方文档明确写道，它基于 MiniMax H3 构建，并由 HeyGen 做了后训练。
模型能力
- 三种模式：文生视频、图生视频（以图片为首帧）、参考生视频（用你的图片、视频或音频保持产品、人物或地点）。
- 音画同出：每段 5–15 秒的视频都自带对白、环境音和音效，不需要单独配音和对口型。
- 规格：分辨率 480p、768p、1080p、2K，其中 1080p 和 2K 按 768p 的 3 倍计费；支持 21:9、16:9、4:3、1:1、3:4、9:16，1080p 和 2K 只支持 16:9 或 9:16。
- 参考上限：最多 9 张图、3 段视频、3 段音频，总计 12 个。
- 可复现：固定 seed，同一提示词能得到相同结果，方便逐句修改。
10 月 13 日，HeyGen Video 上线 Civitai 生成器，10 月内五折。
官方给出的“能做与不能做”
文档坦率地写了模型的边界：它最擅长单一主体、单一场景、单一动作、镜头基本不动的短镜头；最不稳定的是长段屏幕文字、花瓣头发等柔软物体的运动，以及组装设备这类精细手部操作。
提示词方面，官方建议写长提示词，指名具体的机身和镜头参数，而不是只写“电影感”；明确写出不要的东西，比如 no logos、no music；对白按每秒约 2.5 个英文词来估算。
分析：数字人厂商为什么做通用模型
1. 数字人只是视频的一部分
HeyGen 的老业务是用数字人念稿。但营销视频需要场景、产品镜头和环境音，单靠数字人不够。通用模型补齐了“数字人以外的镜头”。
2. 基于开源底座做后训练
HeyGen 没有从零训练，而是在 MiniMax H3 上做后训练。这说明开源视频底座已经足够强，应用公司可以把精力花在垂直场景调优上。
3. 对短剧的参考价值
“镜头静、动作少”的最佳实践，和漫剧里对话戏的拍法很接近。对白和环境音一次生成，能减少后期配音对口型的工作量。
使用建议
- 对话戏用固定机位、单人镜头，效果最稳；复杂动作戏拆成多个短镜头。
- 分镜如何拆，可以看 AI短剧剧本和分镜教程。
- 需要音画一体的短剧制作合作，欢迎到 合作页 联系我们。
来源
- HeyGen 官方文档：HeyGen Video
- Civitai：HeyGen Video is now on Civitai
来源：HeyGen 官方文档
