HeyGen Video é lançado a $0,01 por segundo: o que o pós-treino do MiniMax H3 pela HeyGen realmente muda

O HeyGen Video entrou no ar em 30 de setembro a US$ 0,01 por segundo até o fim de outubro, e esse número é toda a história. Um clipe de dez segundos custa dez centavos. No próprio gráfico comparativo da HeyGen, a geração base a partir da qual ele foi ajustado — MiniMax H3, lançado em 31 de julho de 2026 — é cobrada a US$ 0,08 por segundo na mesma 768p com áudio, e os outros pontos de referência do gráfico chegam a US$ 0,40 por segundo para o Veo 3.1 do Google. Nada no lançamento é exótico: um modelo, três modos de prompting, som gerado na mesma chamada. O incomum é uma empresa pegar um modelo base de pesos abertos, pós-treiná-lo para seu próprio vertical e precificar o resultado quase uma ordem de magnitude abaixo do modelo do qual ele foi derivado — enquanto afirma, na mesma frase, que testadores cegos o classificaram à frente dessa base. Ambas as alegações são da HeyGen, e a aritmética por trás delas é onde a decisão do comprador de fato reside.

O que o HeyGen Video realmente é

O HeyGen Video é um modelo de vídeo de uso geral, não um motor de avatares, e essa distinção faz diferença se você já usou o HeyGen antes. A documentação da própria empresa traça essa linha de forma explícita: seus motores de renderização de avatares animam uma aparência que você já tem a partir de um roteiro que você já escreveu, enquanto este inventa o sujeito, o cenário, a luz e o som de uma só vez, a partir de uma descrição. Ele é disponibilizado sob o identificador heygen-video-1 em POST /v3/models/videos, autenticado com o cabeçalho x-api-key e só funciona com chaves de API pagas.

Três modos cobrem o condicionamento:

• text_to_video — apenas prompt, saída padrão em 16:9.

• image_to_video — prompt mais uma imagem, que se torna o primeiro quadro literal, incluindo sua orientação EXIF; a saída segue as proporções dessa imagem.

• reference_to_video — o modo padrão. Prompt, além de até nove imagens de referência, três vídeos de referência e três clipes de áudio de referência, doze itens no total. A ordem da lista torna-se o rótulo ao qual você se refere no prompt: a primeira entrada de reference_images é <Picture 1>, o primeiro vídeo é <Video 1>, e imagens, vídeos e áudio são numerados independentemente.

O envelope de saída é apertado, e vale a pena ler antes do preço:

• Duração — qualquer número inteiro de segundos entre 5 e 15, com valor predefinido de 5.

• Resolução — 480p ou 768p, com padrão de 768p. Em 16:9, isso é 1344 × 768; em 9:16, 768 × 1344.

• Taxa de fotogramas e áudio — 24 fps num contentor MP4/H.264, com áudio AAC a 32 kHz estéreo, transportando diálogo gerado, ambiente e efeitos.

• Proporções de aspecto — 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16, além de adaptativa para o modo de referência, que herda a forma da primeira imagem de referência.

• Melhoria de prompt — turbo por padrão, quality para uma passagem mais longa, disabled para enviar seu texto sem alterações.

O schema é estrito — campos desconhecidos são rejeitados em vez de ignorados — e seed é um inteiro sem sinal de 32 bits que torna uma tomada repetível quando você o mantém e altera uma cláusula de cada vez. Os links de download são assinados e expiram, então o polling os atualiza; callbacks são tentados uma vez por job e a própria HeyGen diz para tratá-los como uma otimização de latência, não como uma garantia.

Os próprios números do fornecedor, e as ressalvas embutidas neles

A HeyGen colocou um gráfico de comparação na página de lançamento, e é a única afirmação quantitativa do texto, por isso vale a pena analisá-lo em detalhe em vez de apenas repeti-lo.

O gráfico de qualidade é uma tabela Elo com HeyGen Video no topo — 1000 — depois Dreamina Seedance 2.0 em 955, a família H3 Max de 952 a 860, Kling 3.0 Pro em 857 e Veo 3.1 em 744. A nota de rodapé faz um trabalho e tanto: as pontuações vêm de um conjunto de avaliação interno de consultas da Artificial Analysis Arena com 4.800 votos, e a própria pontuação da HeyGen é normalizada para 1000 para uma comparação mais simples. Um fornecedor se normalizar para o topo do próprio gráfico não é evidência de que lidera; é uma escolha de apresentação. O espaçamento relativo abaixo dele é a parte informativa.

Mais útil é o confronto direto. A HeyGen diz que testadores cegos preferiram seu modelo ao H3 Max da fal em 55,8% das comparações, em 650 votos, com uma faixa de 49–62%. Essa faixa é o detalhe honesto: no limite inferior, ela fica em torno de 50%, então, nos próprios números da HeyGen, uma preferência sobre o H3 Max não se separa claramente do ruído. A análise por eixo também é mista — 65% em fidelidade à imagem de origem e 66% em timing, contra 43% em consistência e 45% em música — o que soa como um modelo que segura bem uma única tomada contida e se desvia em tomadas mais longas.

A velocidade é o dado menos contestável. A HeyGen relata sua inferência de difusão em 3,7 segundos para um clipe de imagem para vídeo de dez segundos, contra 4,1 segundos para o H3 Max Turbo e 8,3 segundos para o H3 Max, com o tempo do gerador de legendas excluído porque varia conforme o modo. Qualquer coisa abaixo da duração do clipe que ele produziu é mais rápida que o tempo real.

O preço, e uma discrepância no próprio texto publicitário da HeyGen

Duas fontes da HeyGen apresentam duas tarifas padrão diferentes. O texto de lançamento diz que os preços começam em US$ 0,01 por segundo até outubro, descrito como 50% de desconto sobre um preço padrão de US$ 0,02 — o que faz de outubro a tarifa promocional e de US$ 0,02 o preço de tabela. O gráfico de custos na mesma página, com nota de rodapé indicando preço de tabela por segundo em 768p com áudio antes das promoções de lançamento, coloca o HeyGen Video em US$ 0,03.

Isso não é uma diferença de arredondamento; é uma lacuna de 50% entre o que o texto da HeyGen diz que é sua tarifa padrão e o que o gráfico da HeyGen diz. As outras linhas do gráfico são consistentes com os preços externos — a MiniMax cobra $0.08 por segundo pelo MiniMax H3 básico, o que corresponde aos $4.80 por minuto que a Artificial Analysis registra para ele —, então os números da família H3 não são os discrepantes. Até que a HeyGen publique uma página de preços da API, considere os $0.01 como confirmados, porque é a tarifa promocional vigente, e considere o número pós-outubro como algo entre $0.02 e $0.03 por segundo.

O que custa mil segundos

Aqui está a comparação que importa, em 768p com áudio, para mil segundos de vídeo gerado — cem clipes de dez segundos:

• Vídeo HeyGen em outubro — $10 a $0,01 por segundo.

• HeyGen Video depois de outubro — $20 a $0,02, ou $30 se o $0,03 do gráfico estiver certo.

• MiniMax H3 no OrcaRouter — US$ 80 ao preço de tabela do provedor de US$ 0,08 por segundo, com 0% de markup, portanto, qualquer mudança de preço do fornecedor entra em vigor aqui no mesmo dia.

• fal's H3 Max — $80 à taxa tabelada de $0,08 por segundo.

• Kling 3.0 Pro — $168 a $0.168 por segundo.

• Veo 3.1 — $400 a $0,40 por segundo.

Para equipas que geram em massa e descartam a maior parte do que produzem — cortes para redes sociais, variantes de anúncios, loops de produto — a taxa de descarte é a verdadeira linha de custo e, a dez centavos por tentativa de dez segundos, a economia da iteração muda de forma. O senão está no teto: 768p a 24 fps não é um formato de entrega 2K, e "production-quality" é a expressão da HeyGen, não uma especificação. O MiniMax H3 base chega a 2K através de um módulo de regeneração separado na API alojada da MiniMax, a $0,13 por segundo, e o HeyGen Video não tem equivalente — por isso, se o seu alvo de entrega for superior a 768p, o segundo barato não é o segundo de que precisa.

Para equipes que querem comparar os dois, o MiniMax H3 está no OrcaRouter como minimax/minimax-h3 a US$ 0,08 por segundo, então o modelo base e o pós-treino podem ficar atrás de uma única chave em vez de dois contratos. O próprio HeyGen Video não é um modelo roteado aqui hoje — ele é servido pela própria API da HeyGen e por várias plataformas de terceiros — que é exatamente o caso para o qual o failover automático existe: você pode criar protótipos com um modelo de alguns dias sem apostar um caminho de produção nele, e se ele chegar a um provedor roteado, aparece pelo preço de tabela em vez de um preço com acréscimo.

Em que a HeyGen diz ser ruim

O parágrafo mais útil na documentação da HeyGen é o que lista os modos de falha, porque os fornecedores raramente os descrevem. O HeyGen Video é, nas próprias palavras da empresa, menos confiável em texto longo na tela, em movimento orgânico suave como pétalas, papel e cabelo, e em trabalho manual em close como montar ou operar equipamentos. Ele é melhor em planos curtos e contidos: um sujeito, um lugar, uma ação, uma câmera fixa ou quase sem movimento.

Esse perfil corresponde aos números cegos por eixo acima — boa aderência a uma imagem fornecida, consistência fraca — e deve moldar a forma como você o testa. A capacidade em que os filmes de lançamento mais se apoiam é a tipografia gerada dentro da cena: cada título neles era pintado, carimbado ou pressionado na cena, em vez de composto. A própria orientação da HeyGen é que frases curtas escritas exatamente são renderizadas de forma confiável, o que é uma afirmação restrita, e os mesmos documentos desaconselham textos longos na tela. Se o seu fluxo de trabalho depende de tipografia legível, essa é a linha a ser investigada primeiro.

O segundo pós-treino do MiniMax H3 em cinco semanas

O fato estrutural interessante é que o HeyGen Video não é o primeiro produto comercial criado por ajuste fino do MiniMax H3. A fal lançou o H3 Max em 27 de agosto, um pós-treino da mesma base co-otimizado com o stack de inferência da fal, e ele estreou no topo do ranking de image-to-video com áudio da Artificial Analysis. Agora, a HeyGen fez o mesmo para um vertical diferente — vídeo corporativo, demonstrações de produtos, treinamento, tours de imóveis — e o precificou abaixo do modelo base.

Esse padrão é o verdadeiro sinal. A decisão da MiniMax de lançar os pesos do H3 sob sua própria licença comunitária transformou o modelo em um substrato que outras empresas podem especializar e revender, e o segundo produto desse tipo em cinco semanas sugere que a taxa de conversão é real. Também significa que "MiniMax H3" está se tornando uma família, e não um modelo: a base, o H3 Max da fal e o HeyGen Video agora competem entre si a preços diferentes e resoluções diferentes, e um comprador que compara "H3" com qualquer outra coisa precisa dizer qual H3.

O ranking de texto para vídeo da Artificial Analysis mostra o quão forte isso pode repercutir. Seu modelo classificado em segundo lugar com áudio, com Elo 1150, é o Utopai X — com nota de rodapé da Artificial Analysis indicando que se baseia no MiniMax H3 — à frente do próprio MiniMax H3 base, com 1138, em quarto lugar. Independentemente da pontuação do próprio modelo base, os derivados construídos sobre ele estão superando-o na preferência humana às cegas em pelo menos um ranking independente.

O que ainda não está verificado

Três coisas que um leitor deve manter em aberto.

Primeiro, o HeyGen Video não tem pontuação independente. Em 1º de outubro, ele não aparece em nenhum dos três rankings de vídeo da Artificial Analysis — texto para vídeo, imagem para vídeo ou edição de vídeo —, portanto ainda não há um Elo cego de terceiros para ele. Todos os números de qualidade neste artigo são do próprio HeyGen, em um conjunto de avaliação de consultas do Arena que a HeyGen montou com 4.800 votos. Isso é uma metodologia defensável e um resultado de fornecedor, e deve ser lido como tal.

Segundo, a HeyGen não disse nada sobre liberar os pesos. O modelo a partir do qual ele foi ajustado é de pesos abertos, mas um pós-treinamento é um novo artefato, e as licenças da própria HeyGen são dela; nada no material de lançamento a compromete de um lado ou de outro.

Terceiro, a documentação entra em contradição consigo mesma. A referência da API afirma que o prompt aceita no máximo 5.000 caracteres Unicode, enquanto a tabela de parâmetros na página de modelos indica o intervalo como 1 a 32.000 caracteres — uma variação de 6× em um limite rígido de entrada. O valor menor é o que aparece na referência e no resumo do changelog, então planeje com base em 5.000 até que a HeyGen reconcilie os dois.

Quem deve agir, e quem deve esperar

Se o seu trabalho de vídeo se encaixa num plano contido — um produto sobre uma bancada, uma sala com um dolly lento, um único sujeito e uma câmara fixa — e entrega em 768p ou menos, a tarifa válida até outubro é a forma credível mais barata de gerar filmagens narradas e com banda sonora à escala que alguém está atualmente a publicar. Teste-a este mês enquanto a promoção se mantém, e conceba o teste em torno das três coisas em que a HeyGen admite ser fraca, em vez de o fazer em torno do filme de lançamento.

Se a sua meta de entrega estiver acima de 768p, se você precisar de texto longo na tela ou se o ponto for a consistência de legibilidade entre tomadas, espere. O MiniMax H3 base continua sendo o H3 roteável a US$ 0,08 por segundo para 768p, e seu caminho hospedado para 2K fica em US$ 0,13 por segundo — ambos sob uma única chave no OrcaRouter, ao preço de tabela do provedor, sem markup, então, se o preço pós-outubro da HeyGen acabar sendo US$ 0,03 em vez de US$ 0,02, você verá a correção aqui no dia em que acontecer, e não no mês seguinte. O que mudaria o veredito mais rapidamente é um Elo independente: assim que o HeyGen Video aparecer em um ranking cego de terceiros, os 55,8% do fornecedor ou se sustentam, ou não.