Wideo HeyGen debiutuje w cenie $0.01 za sekundę: co tak naprawdę zmienia post-trening MiniMax H3 w wykonaniu HeyGen

HeyGen Video ruszył 30 września w cenie 0,01 USD za sekundę do końca października i ta liczba mówi wszystko. Dziesięciosekundowy klip kosztuje dziesięć centów. Na własnym wykresie porównawczym HeyGen bazowa generacja, z której go dostrojono — MiniMax H3, wydany 31 lipca 2026 — jest rozliczana po 0,08 USD za sekundę przy tym samym 768p z dźwiękiem, a inne punkty odniesienia na wykresie sięgają aż 0,40 USD za sekundę w przypadku Veo 3.1 od Google. W tym launchu nie ma nic egzotycznego: jeden model, trzy tryby promptowania, dźwięk generowany w tym samym wywołaniu. Nietypowe jest to, że firma bierze bazowy model open-weights, dostraja go po treningu do własnej branży i wycenia wynik poniżej modelu, z którego go wyprowadzono, o niemal rząd wielkości — jednocześnie mówiąc, że testerzy w ciemno ocenili go wyżej niż ten bazowy model. Oba twierdzenia należą do HeyGen, a arytmetyka za nimi stoi tam, gdzie tak naprawdę zapada decyzja kupującego.

Czym właściwie jest HeyGen Video

HeyGen Video to model wideo ogólnego przeznaczenia, a nie silnik awatarów, i to rozróżnienie ma znaczenie, jeśli korzystałeś już wcześniej z HeyGen. Dokumentacja samej firmy wyraźnie je przeprowadza: jej silniki renderowania awatarów animują wygląd, który już posiadasz, na podstawie scenariusza, który już napisałeś, podczas gdy ten tworzy jednocześnie podmiot, scenerię, światło i dźwięk na podstawie opisu. Jest udostępniany pod identyfikatorem heygen-video-1 w punkcie końcowym POST /v3/models/videos, uwierzytelniany za pomocą nagłówka x-api-key, i działa wyłącznie na płatnych kluczach API.

Trzy tryby obejmują kondycjonowanie:

• text_to_video — tylko prompt, wyjście domyślnie w formacie 16:9.

• image_to_video — polecenie plus jeden obraz, który staje się dosłownie pierwszą klatką, z uwzględnieniem jego orientacji EXIF; wynik zachowuje proporcje tego obrazu.

• reference_to_video — tryb domyślny. Prompt oraz maksymalnie dziewięć obrazów referencyjnych, trzy filmy referencyjne i trzy klipy audio referencyjnego, łącznie dwanaście elementów. Kolejność na liście staje się etykietą, do której odwołujesz się w prompcie: pierwszy wpis reference_images to <Picture 1>, pierwszy film to <Video 1>, a obrazy, filmy i audio są numerowane niezależnie.

Obwiednia wyjściowa jest zwarta i warta przeczytania przed ceną:

• Czas trwania — dowolna liczba całkowita sekund od 5 do 15, domyślnie 5.

• Rozdzielczość — 480p lub 768p, domyślnie 768p. Przy 16:9 to 1344 × 768; przy 9:16 — 768 × 1344.

• Liczba klatek na sekundę i dźwięk — 24 fps w kontenerze MP4/H.264, z dźwiękiem AAC 32 kHz stereo zawierającym wygenerowane dialogi, dźwięki otoczenia i efekty.

• Proporcje obrazu — 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16, plus adaptacyjne dla trybu referencyjnego, który dziedziczy kształt pierwszego obrazu referencyjnego.

• Ulepszanie promptu — turbo domyślnie, quality dla dłuższego przebiegu, disabled aby wysłać tekst bez zmian.

Schemat jest rygorystyczny — nieznane pola są odrzucane, a nie ignorowane — a seed to 32-bitowa liczba całkowita bez znaku, która sprawia, że ujęcie staje się powtarzalne, gdy zachowasz je bez zmian i będziesz modyfikować jedną klauzulę naraz. Linki do pobierania są podpisywane i wygasają, więc odpytywanie odświeża je; wywołania zwrotne są podejmowane jednokrotnie na zadanie, a sam HeyGen zaleca traktowanie ich jako optymalizacji opóźnienia, a nie gwarancji.

Liczby podane przez samego dostawcę i zastrzeżenia w nich zawarte

HeyGen zamieścił na stronie premiery wykres porównawczy, a to jedyne twierdzenie ilościowe w tekście, więc warto je rozłożyć na części, zamiast je powtarzać.

Wykres jakości to tabela Elo, na której szczycie znajduje się HeyGen Video — 1000 — następnie Dreamina Seedance 2.0 z wynikiem 955, rodzina H3 Max od 952 do 860, Kling 3.0 Pro z 857 i Veo 3.1 z 744. Przypis odgrywa tu niemałą rolę: wyniki pochodzą z wewnętrznego zestawu ewaluacyjnego zapytań Artificial Analysis Arena z 4800 głosami, a własny wynik HeyGen jest znormalizowany do 1000 dla łatwiejszego porównania. To, że dostawca normalizuje swój wynik na szczyt własnego wykresu, nie jest dowodem, że przewodzi; to wybór prezentacyjny. Informacyjna jest względna odległość poniżej.

Bardziej przydatne jest bezpośrednie porównanie. HeyGen twierdzi, że w ślepym teście testerzy w 55,8% porównań spośród 650 głosów woleli jego model od H3 Max firmy fal, przy przedziale 49–62%. Ten przedział to uczciwy szczegół: na dolnym końcu oscyluje wokół 50%, więc według samych liczb HeyGen preferencja nad H3 Max nie odróżnia się wyraźnie od szumu. Podział na poszczególne osie jest również mieszany — 65% za wierność obrazowi źródłowemu i 66% za wyczucie czasu, wobec 43% za spójność i 45% za muzykę — co sugeruje model, który dobrze utrzymuje pojedyncze zamknięte ujęcie, ale rozjeżdża się przy dłuższych.

Szybkość to najmniej podważalna wartość. HeyGen podaje, że jego inferencja dyfuzyjna wynosi 3,7 sekundy dla jednego dziesięciosekundowego klipu wideo generowanego z obrazu, wobec 4,1 sekundy dla H3 Max Turbo i 8,3 sekundy dla H3 Max, z wyłączeniem czasu działania modułu opisującego, ponieważ różni się on w zależności od trybu. Wszystko poniżej długości wygenerowanego klipu jest szybsze niż czas rzeczywisty.

Cena oraz rozbieżność we własnym tekście HeyGen

Dwa źródła HeyGen podają dwie różne stawki standardowe. Tekst promocyjny premiery mówi, że ceny zaczynają się od 0,01 USD za sekundę do końca października, co opisano jako 50% zniżki od standardowej stawki 0,02 USD — co czyni październik stawką promocyjną, a 0,02 USD ceną katalogową. Wykres kosztów na tej samej stronie, z przypisem, że jest to cena katalogowa za sekundę przy 768p z dźwiękiem przed promocjami startowymi, podaje HeyGen Video na 0,03 USD.

To nie jest różnica wynikająca z zaokrąglenia; to 50-procentowa rozbieżność między tym, co słowny opis HeyGen podaje jako jego standardową stawkę, a tym, co pokazuje wykres HeyGen. Pozostałe wiersze wykresu są spójne z zewnętrznymi cennikami — MiniMax rozlicza bazowy MiniMax H3 stawką $0.08 za sekundę, co zgadza się z $4.80 za minutę, które Artificial Analysis dla niego odnotowuje — więc liczby dla rodziny H3 nie są tu odstające. Dopóki HeyGen nie opublikuje strony z cennikiem API, traktuj $0.01 jako potwierdzone, ponieważ jest to aktualna stawka promocyjna, a liczbę obowiązującą po październiku traktuj jako wartość gdzieś między $0.02 a $0.03 za sekundę.

Co kosztuje tysiąc sekund

Oto porównanie, które ma znaczenie, przy 768p z dźwiękiem, dla tysiąca sekund wygenerowanego wideo — sto dziesięciosekundowych klipów:

• HeyGen Video w październiku — $10 przy $0,01 za sekundę.

• HeyGen Video po październiku — $20 przy $0.02 lub $30, jeśli $0.03 na wykresie jest prawidłowe.

• MiniMax H3 w OrcaRouter — 80 USD w cenie katalogowej dostawcy wynoszącej 0,08 USD za sekundę, z 0% marży, więc każda zmiana ceny u dostawcy jest tu widoczna tego samego dnia.

• fal's H3 Max — $80 przy stawce $0,08 za sekundę.

• Kling 3.0 Pro — 168 USD po 0,168 USD za sekundę.

• Veo 3.1 — 400 USD po 0,40 USD za sekundę.

Dla zespołów generujących masowo i odrzucających większość tego, co tworzą — skrócone wersje do social mediów, warianty reklam, pętle produktowe — wskaźnik odrzuceń jest prawdziwą linią kosztów, a przy stawce dziesięciu centów za dziesięciosekundową próbę ekonomia iterowania zmienia kształt. Problem tkwi w limicie: 768p przy 24 fps to nie format dostarczania 2K, a „jakość produkcyjna” to sformułowanie HeyGen, a nie specyfikacja. Podstawowy MiniMax H3 osiąga 2K dzięki osobnemu modułowi regeneracji w hostowanym API MiniMax za 0,13 USD za sekundę, a HeyGen Video nie ma odpowiednika — więc jeśli docelowy format dostarczania jest powyżej 768p, tania sekunda nie jest tą sekundą, której potrzebujesz.

Dla zespołów, które chcą porównać oba modele, MiniMax H3 jest dostępny w OrcaRouter jako minimax/minimax-h3 w cenie 0,08 USD za sekundę, więc model bazowy i model po douczeniu można umieścić za jednym kluczem zamiast dwóch umów. Sam HeyGen Video nie jest dziś tutaj modelem routowanym — jest udostępniany przez własne API HeyGen oraz kilka platform zewnętrznych — i to jest dokładnie ten przypadek, dla którego istnieje automatyczne przełączanie awaryjne: możesz prototypować na kilkudniowym modelu, nie stawiając na nim ścieżki produkcyjnej, a jeśli trafi on do routowanego dostawcy, pojawi się w cenie katalogowej, a nie z narzutem.

To, w czym HeyGen twierdzi, że jest słaby

Najbardziej przydatnym akapitem w dokumentacji HeyGen jest ten, który wymienia tryby awarii, ponieważ dostawcy rzadko je opisują. HeyGen Video jest, jak przyznaje sama firma, najmniej niezawodny w długim tekście na ekranie, w miękkim, organicznym ruchu takim jak płatki, papier i włosy, oraz w pracy dłońmi z bliska takiej jak montaż lub obsługa sprzętu. Najlepiej sprawdza się w krótkich, zamkniętych ujęciach: jeden obiekt, jedno miejsce, jedna czynność, kamera nieruchoma lub ledwo się poruszająca.

Ten profil pokrywa się z liczbami z testu w ciemno dla poszczególnych osi powyżej — dobre odwzorowanie dostarczonego obrazu, słaba spójność — i powinien wpływać na sposób, w jaki to testujesz. Zdolność, na której najbardziej opierają się filmy premiery, to liternictwo generowane wewnątrz ujęcia: każdy tytuł w nich został namalowany, odbity stemplem lub wciśnięty w scenę, a nie skomponowany. Wskazówki samego HeyGen mówią, że krótkie frazy przeliterowane dokładnie renderują się niezawodnie, co jest wąskim twierdzeniem, a te same dokumenty ostrzegają przed długim tekstem na ekranie. Jeśli Twój przepływ pracy zależy od czytelnej typografii, to właśnie tę granicę należy sprawdzić najpierw.

Drugi post-trening MiniMax H3 w ciągu pięciu tygodni

Interesujący fakt strukturalny polega na tym, że HeyGen Video nie jest pierwszym komercyjnym produktem zbudowanym przez dostrajanie MiniMax H3. fal udostępnił H3 Max 27 sierpnia — model po treningu tej samej bazy, współoptymalizowany ze stosem inferencyjnym fal — i zadebiutował on na szczycie rankingu image-to-video z dźwiękiem Artificial Analysis. Teraz HeyGen zrobił to samo dla innego segmentu — wideo biznesowe, prezentacje produktów, szkolenia, spacery po nieruchomościach — i wycenił je poniżej wersji bazowej.

Ten wzorzec to prawdziwy sygnał. Decyzja MiniMax o udostępnieniu wag H3 na własnej licencji społecznościowej zmieniła ten model w substrat, który inne firmy mogą specjalizować i odsprzedawać, a drugi taki produkt w ciągu pięciu tygodni sugeruje, że współczynnik konwersji jest realny. Oznacza to również, że „MiniMax H3” staje się rodziną, a nie modelem: bazowy, H3 Max od fal i HeyGen Video konkurują teraz ze sobą przy różnych cenach i różnych rozdzielczościach, a kupujący porównujący „H3” z czymkolwiek innym musi doprecyzować, o który H3 chodzi.

Ranking text-to-video Artificial Analysis pokazuje, jak silnie może to zadziałać. Jego drugi w rankingu model z audio, z Elo 1150, to Utopai X — opatrzony przez Artificial Analysis przypisem, że bazuje na MiniMax H3 — przed samym bazowym MiniMax H3 z wynikiem 1138 na czwartym miejscu. Niezależnie od wyniku samego modelu bazowego, modele pochodne zbudowane na nim osiągają lepsze wyniki niż on w ślepych preferencjach ludzi na co najmniej jednym niezależnym rankingu.

Co wciąż jest niezweryfikowane

Trzy rzeczy, które czytelnik powinien trzymać otwarte.

Po pierwsze, HeyGen Video nie ma niezależnego wyniku. Na dzień 1 października nie pojawia się na żadnej z trzech tablic wideo Artificial Analysis — tekst-na-wideo, obraz-na-wideo ani edycja wideo — więc nie ma jeszcze dla niego ślepego, zewnętrznego rankingu Elo. Każda liczba dotycząca jakości w tym artykule pochodzi od samego HeyGen, na zestawie ewaluacyjnym zapytań Arena, który HeyGen zebrał w oparciu o 4800 głosów. To metodologia, której można bronić, i wynik dostawcy — i tak należy go odczytywać.

Po drugie, HeyGen nie powiedział nic na temat udostępniania wag. Model, na podstawie którego go dostrojono, ma otwarte wagi, ale post-train to nowy artefakt, a własne licencje HeyGen są jego własnymi; nic w materiałach premierowych nie przesądza tego w żadną stronę.

Po trzecie, dokumentacja jest wewnętrznie sprzeczna. Dokumentacja API podaje, że prompt przyjmuje maksymalnie 5000 znaków Unicode, podczas gdy tabela parametrów na stronie modeli podaje zakres jako od 1 do 32 000 znaków — sześciokrotna rozbieżność w sztywnym limicie danych wejściowych. Ta niższa wartość pojawia się w dokumentacji oraz w podsumowaniu dziennika zmian, więc planuj z myślą o 5000, dopóki HeyGen nie uzgodni obu tych wartości.

Kto powinien działać, a kto powinien czekać?

Jeśli Twoja praca wideo mieści się w zamkniętym ujęciu — produkt na ławce, pomieszczenie z powolnym przejazdem kamery, jeden bohater i nieruchoma kamera — i dostarczasz materiał w 768p lub niżej, stawka obowiązująca do końca października jest najtańszym wiarygodnym sposobem masowego generowania materiałów wideo z narracją i podkładem muzycznym, jaki ktokolwiek obecnie publikuje. Przetestuj to w tym miesiącu, póki promocja obowiązuje, i zaprojektuj test wokół trzech rzeczy, w których HeyGen przyznaje, że jest słaby, a nie wokół filmu premierowego.

Jeśli docelowy format dostawy przekracza 768p, jeśli potrzebujesz długiego tekstu na ekranie albo jeśli chodzi o czytelną spójność między ujęciami, poczekaj. Podstawowy MiniMax H3 pozostaje H3 z możliwością routingu w cenie 0,08 USD za sekundę dla 768p, a jego hostowana ścieżka 2K kosztuje 0,13 USD za sekundę — oba za jednym kluczem w OrcaRouter, w cenie katalogowej dostawcy bez marży, więc jeśli cena HeyGen po październiku okaże się wynosić 0,03 USD, a nie 0,02 USD, korektę zobaczysz tutaj w dniu, w którym nastąpi, a nie miesiąc później. Najszybciej werdykt zmieniłoby niezależne Elo: gdy HeyGen Video pojawi się w ślepym rankingu podmiotu trzeciego, 55,8% dostawcy albo się utrzyma, albo nie.