有自己的照片、要"这个人"出镜，选 HeyGen Avatar IV；不需要自己的形象，要透明背景、SRT 字幕或 4K，选 HeyGen Avatar V。两个都是每秒 $0.15，选哪个不影响预算。
HeyGen Avatar IV 已在 HiAPI 上线，打开模型页，上传一张人像照片、写一段台词就能生成说话视频。
一张表看懂差别
| Avatar IV | Avatar V | |
|---|---|---|
| 出镜人从哪来 | 你上传的一张照片（image_url） | 497 个预置数字人里选（avatar） |
| 驱动方式 | 台词 + 102 个声音，或音频 | 同左（同一套 102 个声音） |
| 分辨率 | 720p / 1080p | 720p / 1080p / 4k |
| 画幅 | 16:9、9:16、4:5、5:4、1:1、auto | 同左 |
| 背景 | 画幅与照片不同时填充留白（纯色或图片） | 纯色或图片背景，remove_background 移除原始背景，fit 选 contain / cover |
| 透明背景 | — | output_format: webm |
| 字幕 | — | caption: true 另返回 SRT 文件 |
| 台词长度 | 5000 字符 | 5000 字符 |
| 价格 | $0.15 / 秒 | $0.15 / 秒 |
真正决定选哪个的，是第一行：出镜的人是你自己提供的，还是从库里挑的。后面几行是 Avatar V 在后期制作上多给的几样东西。
出镜的人从哪来？
Avatar IV 只要一张照片。照片里是谁，视频里就是谁，衣服、发型、房间都原样保留。下面这条横版讲解 9 秒，1080p、16:9，声音选 Cute Chloe - Friendly：
口型、眨眼和轻微点头都跟着语音走。台词（大意：我是小林，用一张照片和一段短台词，就能介绍你的产品或录一节课）：
Hi, I'm Lin. With one photo and a short script, I can present your product or record a lesson, with natural lip-sync and expressions.
台词已填好，上传你的照片就能生成 → 画幅选 16:9，清晰度选 1080p。
Avatar V 不需要照片，从 497 个预置数字人里选一个就能出镜。下面是预置形象 Brandon Business Standing Front，声音 Jack Sterling - Broadcaster，1080p、16:9：
照片的要求只在 Avatar IV 这边：正脸、五官无遮挡、光线均匀、嘴巴自然闭合的单人照最稳。插画和 3D 角色只要有清晰的人脸也能用。
同一句台词，两边各生成一次
两组都用同一句台词、同一个声音、1080p、16:9，分别交给 Avatar IV 和 Avatar V。声音和台词一样，两边成片的时长也完全一样，所以花费相同。
第一组：产品介绍（声音 Cute Chloe - Friendly，9 秒，$1.35）
Hi, I'm Lin. With one photo and a short script, I can present your product or record a lesson, with natural lip-sync and expressions.
Avatar IV：出镜的是上传的那张毛衣人像，房间、发型、衣服都和照片一致，动的是口型、眨眼和轻微点头。
Avatar V：选的预置形象是 Abigail Office Front，实拍的主播站在书架和会议桌前讲，边说边做手势。
用这段台词生成 → 台词已填好，上传你的照片就能生成。
第二组：客户汇报（声音 Dexter - Professional，约 8 秒，$1.20）
Hi, I'm Daniel. Send me your quarterly numbers, and I'll walk your team through what changed and what to do next.
Avatar IV：顾问的半身照，身后是落地窗和城市天际线，人物保持照片里的西装和站位。
Avatar V：预置形象 Brandon Office Sitting Front，坐在开放办公区的工位后面，面前一台笔记本。
用这段台词生成 → 台词已填好，上传你的照片就能生成。
两组放在一起看：要让画面里是你指定的那个人，用 IV；只要一位专业主播把话讲清楚，用 V 从预置形象里挑。
怎么让它开口说话？
这一点两边完全一样。写台词，从同一套 102 个预置声音里选一个；或者直接传一段录音驱动口型。台词上限都是 5000 字符，中文、英文都可以。
所以同一段脚本、同一个声音，换模型不用改写。差别只在出镜人：Avatar IV 传照片链接，Avatar V 传形象名。
画面和背景怎么处理？
Avatar IV 的背景就是照片本身的背景。只有输出画幅和照片比例不同、画面出现留白时，background 才派上用场：传 #RRGGBB 填纯色，或者传一张图片填满。下面是横版老师照片放进 9:16 竖屏，上下用黑板图填满，11 秒：
Hello everyone. Today we'll explain the Pythagorean theorem in five minutes. In a right triangle, the squares of the two legs add up to the square of the hypotenuse.
台词已填好，上传你的照片就能生成 → 画幅选 9:16，背景选图片并上传你的背景图。
Avatar V 在背景上能做得更多：remove_background 去掉原始背景再换成纯色或图片，fit 决定人物按 contain 完整放入还是按 cover 铺满；output_format: webm 直接输出透明背景，拿去叠在剪辑软件的任意画面上。
选型提示：Avatar V 的实拍预置形象自带拍摄时的背景（比如上面 Brandon 身后的办公室），需要统一背景的视频，先用一句短台词试一条，确认背景效果再批量生成。
字幕和分辨率
Avatar V 传 caption: true，会在视频之外另给一份 SRT 字幕文件，画面本身保持干净，字幕样式可以在后期自己定。下面这条竖版带货就开了字幕：
分辨率上，Avatar IV 是 720p / 1080p，Avatar V 多一档 4k。要上大屏或做 4K 交付，用 Avatar V；手机端和网页投放，1080p 足够。
价格差多少？
一分不差，都是每秒 $0.15，分辨率不影响价格。
| 时长 | Avatar IV | Avatar V |
|---|---|---|
| 10 秒 | $1.50 | $1.50 |
| 30 秒 | $4.50 | $4.50 |
两边都按生成视频的实际秒数计费，价格只跟台词长短有关。详细的时长价格表和月度预算见 HeyGen Avatar IV API 价格。
按场景怎么选？
| 场景 | 选哪个 |
|---|---|
| 品牌代言人、讲师、创始人本人出镜 | Avatar IV |
| 有一张插画或 3D 角色，想让它开口 | Avatar IV |
| 没有合适的照片，挑个形象先把视频做出来 | Avatar V |
| 要叠加到剪辑里，需要透明背景 | Avatar V |
| 需要单独的字幕文件 | Avatar V |
| 需要 4K 成片 | Avatar V |
常见问题
两个模型价格一样吗？ 一样。都是每秒 $0.15，10 秒 $1.50，30 秒 $4.50。
Avatar IV 能用我自己的录音吗？
能。传 audio_url，口型和停顿跟着录音走，音频最长 600 秒。Avatar V 同样支持音频驱动。
Avatar IV 能输出透明背景或字幕吗？ 要透明背景或 SRT 字幕，用 Avatar V。Avatar IV 的长处是用你自己的照片出镜。
卡通或 3D 形象用哪个？ 用 Avatar IV，上传角色图就行，只要有清晰的人脸。
先让你自己的角色开口
手上有一张插画或 3D 角色图？下面这段厨师台词在 Avatar IV 上生成出来 8 秒：
Tonight's special is a slow-roasted tomato soup. It's simple, warm, and ready in twenty minutes. Let's cook!
台词已填好，上传你的角色图就能生成 → 想从预置数字人里挑形象，打开 HeyGen Avatar V 模型页。
