HeyGen Video 1

Wie HeyGen Video 1 einen Prompt liest

HeyGen Video 1 ist das universelle Videomodell von HeyGen, gebaut auf MiniMax H3 und von HeyGen nachtrainiert. Aus einem einzigen Prompt generiert es die ganze Szene: die Person, den Ort, das Licht und den Ton, mit bereits lippensynchronem Dialog. Es ist ein anderes Werkzeug als die Avatare von HeyGen, die ein gespeichertes Aussehen animieren, das ein Skript liest. Hier beschreibst du die Person, und das Modell erfindet sie.

Laut Dokumentation von HeyGen schlagen lange Prompts kurze: Ein paar hundert bis einige tausend Zeichen liefern bessere Ergebnisse, und Details werden nicht bestraft. HeyGen vergleicht das Modell mit einem Drehteam, das einer Shotlist folgt, und der Launch-Beitrag gliedert jeden Prompt in vier Teile:

• Motiv und Handlung: ein klares Motiv, das eine einzige Sache tut.
• Kamera: nenne die Kamera, das Objektiv und die Bewegung.
• Look: lege Licht und Farbkorrektur fest.
• Ton und Grenzen: beschreibe, was man hört, und dann, was wegbleiben soll.

HeyGen sagt außerdem, dass das Modell ein Briefing wörtlich befolgt, statt zu improvisieren: Wenn du keinen Dialog verlangst, bekommst du keinen.

Regeln aus dem Leitfaden von HeyGen

• Nenne die Kamera, nicht die Stimmung. „Cinematic“ und „high quality“ bewirken fast nichts. „Gedreht mit einer ARRI Alexa Mini LF, 50mm, fest auf einem Stativ“ verändert das Bild.
• Verlange Textur und verbiete dann die Korrektur. Beschreibe Poren und feine Linien und füge „ohne Retusche, ohne Beauty-Filter“ hinzu. Ohne den zweiten Teil driften Gesichter in Richtung retuschierter Look.
• Schließe Kennzeichen aus, die du nicht verlangt hast. Sonst bekommen schlichte Kleidung und Ausrüstung erfundene Marken. Füge „keine Logos, Markennamen, gedruckten Wörter oder Abzeichen irgendwo im Bild“ hinzu.
• Halte Schrift kurz und buchstabiere sie aus. Schreib den Satz exakt und sag, dass er die einzige Schrift im Bild ist. Längeren Text setzt du danach drauf.
• Setz auf Ruhe. Eine statische Kamera, bei der die Person ein Objekt trägt oder hält, ist die verlässlichste Komposition. Nahe Handarbeit leidet am schnellsten; lass die Sprache die Schritte erklären und halte die Hände still.
• Sag, wo sich Dinge berühren. Wenn ein Ding auf ein anderes trifft, nenne den Berührungspunkt und sag, dass es hält.

Dialog und Ton

Der Ton kommt aus demselben Prompt, also führe Regie: die Raumatmosphäre, die konkreten Effekte und wie weit entfernt sie sind. Schreib „keine Musik“, wenn du kein Musikbett willst, denn sonst taucht womöglich eines auf. Der Leitfaden von HeyGen rechnet mit etwa 2,5 Wörtern Dialog pro Sekunde, in einen 10-Sekunden-Clip passen also ungefähr 20 bis 25 Wörter. Setz jede Zeile in Anführungszeichen hinter die Person, die sie sagt.

Referenzen

Bei Referenzen bekommt jede Datei ein Label nach Reihenfolge und Typ: Das erste Bild ist @Image1, das zweite @Image2, der Clip ist @Video1, und Audioclips werden genauso nummeriert. Schreib diese Labels unverändert in den Prompt und sag, wofür jedes gedacht ist; Endless gibt sie an HeyGen in der Form weiter, die das Modell liest (<Picture 1>, <Video 1>, <Audio 1>). Laut HeyGen bleiben Farbe, Form und Kennzeichen eines Objekts, das du lieferst, in der Einstellung erhalten, deshalb sind Referenzen der Weg, ein echtes Produkt oder eine echte Person in eine Szene zu setzen. In Endless kannst du bis zu 9 Bilder, ein Referenzvideo und bis zu 3 Audioclips anhängen.

HeyGen nutzt bis zu 15 Sekunden Referenzvideo. Wenn ein späterer Teil eines langen Clips verwendet werden soll, schneide ihn vor dem Anhängen zu. Audio kann eine Stimme für eine Figur sein, ein Voiceover, das Wort für Wort gesprochen wird, oder der Soundtrack des Clips.

Damit der Clip mit einem bestimmten Frame beginnt, häng ein einzelnes Bild an und aktiviere Erstes Frame. HeyGen behandelt dieses Bild als das wörtliche erste Frame, der Clip startet also genau so, wie das Standbild aussieht. Um ein Produkt stattdessen in eine neue Szene zu setzen, nutze es als Referenz und beschreibe die Szene darum herum.

Stile

Der Stil gehört zum Prompt. Für einen Look jenseits von Realfilm rät HeyGen, einen echten Produktionsprozess und die Spuren zu nennen, die er hinterlässt (Knetanimation mit Fingerabdrücken, Cel-Animation, Aquarell, Siebdruck), die Palette einzuschränken und den glatten digitalen Standard auszuschließen.

Einstellungen, auf die es ankommt

• Dauer: 5 bis 15 Sekunden. Für ein längeres Stück generierst du mehrere Einstellungen und schneidest sie zusammen.
• Auflösung: 480p, 720p, 1080p oder 2K. 1080p und 2K kosten pro Sekunde das Dreifache von 720p, entwirf also in 720p.
• Seitenverhältnis: 21:9, 16:9, 4:3, 1:1, 3:4 oder 9:16. Nimm 9:16 für Clips im UGC-Stil. Ein erstes Frame behält seine eigene Form.

Wo es Schwächen hat

Laut HeyGen ist das Modell bei kurzen, in sich geschlossenen Einstellungen am besten: ein Motiv, ein Ort, eine Handlung, eine feste oder kaum bewegte Kamera. Am wenigsten verlässlich ist es bei langem Text im Bild, bei weicher organischer Bewegung wie Blütenblättern, Papier und Haaren und bei Handarbeit in der Nahaufnahme, etwa beim Zusammenbauen von Geräten.