HeyGen Video lanseras för 0,01 dollar per sekund: Vad HeyGens efterträning av MiniMax H3 faktiskt förändrar

HeyGen Video gick live den 30 september till 0,01 dollar per sekund under oktober, och den siffran är hela historien. Ett klipp på tio sekunder kostar tio cent. I HeyGens egen jämförelsetabell debiteras den basgeneration som den finjusterades från — MiniMax H3, släppt den 31 juli 2026 — med 0,08 dollar per sekund vid samma 768p med ljud, och tabellens övriga referenspunkter går upp till 0,40 dollar per sekund för Googles Veo 3.1. Inget med lanseringen är exotiskt: en modell, tre promptningslägen, ljud som genereras i samma anrop. Det ovanliga är att ett företag tar en basmodell med öppna vikter, eftertränar den för sin egen vertikal och prissätter resultatet nästan en storleksordning lägre än modellen som det härstammar från — samtidigt som man i samma andetag säger att blindtestare rankade den före den basen. Båda påståendena är HeyGens, och aritmetiken bakom dem är där köparens beslut faktiskt ligger.

Vad HeyGen Video faktiskt är

HeyGen Video är en allmänt användbar videomodell, inte en avatarmotor, och den skillnaden spelar roll om du har använt HeyGen tidigare. Företagets egen dokumentation drar gränsen explicit: dess avatargenereringsmotorer animerar ett utseende som du redan har, utifrån ett manus som du redan har skrivit, medan den här hittar på motivet, miljön, ljuset och ljudet på en gång utifrån en beskrivning. Den levereras under identifieraren heygen-video-1 på POST /v3/models/videos, autentiserad med en x-api-key-header, och den körs endast med betalda API-nycklar.

Tre lägen täcker konditioneringen:

• text_to_video — endast prompt, utdata är som standard 16:9.

• image_to_video — prompt plus en bild, som blir den bokstavliga första bildrutan inklusive dess EXIF-orientering; resultatet följer den bildens proportioner.

• reference_to_video — standardläget. Prompt plus upp till nio referensbilder, tre referensvideor och tre referensljudklipp, tolv poster totalt. Listordningen blir den etikett du refererar till i prompten: den första posten i reference_images är <Bild 1>, den första videon är <Video 1>, och bilder, videor och ljud numreras oberoende av varandra.

Utdatakuvertet är snävt och värt att läsa innan priset:

• Varaktighet – valfritt heltal sekunder från 5 till 15, med standardvärdet 5.

• Upplösning — 480p eller 768p, med 768p som standard. I 16:9 är det 1344 × 768; i 9:16, 768 × 1344.

• Bildfrekvens och ljud — 24 fps i en MP4/H.264-container, med AAC-ljud i 32 kHz stereo som återger genererad dialog, miljöljud och effekter.

• Bildförhållanden – 21:9, 16:9, 4:3, 1:1, 3:4 och 9:16, plus adaptivtför referensläge, som ärver den första referensbildens form.

• Promptförbättring – turbo som standard, kvalitet för en längre körning, inaktiverad för att skicka din text orörd.

Schemat är strikt — okända fält avvisas i stället för att ignoreras — och seed är ett osignerat 32-bitars heltal som gör en tagning repeterbar när du håller den fast och ändrar en sats i taget. Nedladdningslänkar är signerade och upphör att gälla, så pollning uppdaterar dem; callbacks försöks en gång per jobb och HeyGen säger självt att du ska behandla dem som en latensoptimering snarare än en garanti.

Leverantörens egna siffror, och de förbehåll som är inbyggda i dem

HeyGen satte ett jämförelsediagram på lanseringssidan, och det är det enda kvantitativa påståendet i artikeln, så det är värt att plocka isär snarare än att upprepa.

Kvalitetsdiagrammet är en Elo-tabell med HeyGen Video högst upp – 1000 – sedan Dreamina Seedance 2.0 på 955, H3 Max-familjen på 952 ner till 860, Kling 3.0 Pro på 857 och Veo 3.1 på 744. Fotnoten gör en hel del arbete: poängen kommer från ett internt utvärderingsset av Artificial Analysis Arena-frågor med 4 800 röster, och HeyGens egen poäng är normaliserad till 1000 för enklare jämförelse. Att en leverantör normaliserar sig själv till toppen av sitt eget diagram är inte bevis för att den leder; det är ett presentationsval. Det relativa avståndet under den är den informativa delen.

Mer användbar är den direkta jämförelsen. HeyGen säger att blinda testare föredrog dess modell framför fal's H3 Max i 55,8 % av jämförelserna över 650 röster, med ett intervall på 49–62 %. Det intervallet är den ärliga detaljen: i den nedre änden ligger det på båda sidor om 50 %, så enligt HeyGens egna siffror är en preferens över H3 Max inte tydligt åtskild från brus. Uppdelningen per axel är också blandad – 65 % för att hålla sig trogen mot källbilden och 66 % för tajming, mot 43 % för konsekvens och 45 % för musik – vilket framstår som en modell som håller en enskild avgränsad tagning bra men glider iväg över längre tagningar.

Hastighet är den minst omtvistade siffran. HeyGen rapporterar sin diffusionsinferens till 3,7 sekunder för ett tio sekunder långt bild-till-video-klipp, mot 4,1 sekunder för H3 Max Turbo och 8,3 sekunder för H3 Max, med tid för captioner exkluderad eftersom den varierar beroende på läge. Allt under längden på klippet den producerade är snabbare än realtid.

Priset, och en avvikelse i HeyGens egen text

Två HeyGen-källor anger två olika standardpriser. Lanseringstexten säger att prissättningen börjar på 0,01 USD per sekund fram till och med oktober, beskrivet som 50 % rabatt på ett standardpris på 0,02 USD – vilket gör oktober till kampanjpriset och 0,02 USD till listpriset. Kostnadsdiagrammet på samma sida, med fotnoten listpris per sekund vid 768p med ljud före lanseringskampanjer, anger HeyGen Video till 0,03 USD.

Det är inte en avrundningsskillnad; det är en klyfta på 50 % mellan vad HeyGens prosa säger att deras standardpris är och vad HeyGens diagram säger. Diagrammets övriga rader stämmer med extern prissättning – MiniMax fakturerar $0,08 per sekund för basmodellen MiniMax H3, vilket matchar de $4,80 per minut som Artificial Analysis noterar för den – så H3-familjens siffror är inte de avvikande. Tills HeyGen publicerar en prissida för API:et bör du behandla $0,01 som bekräftat eftersom det är det aktuella kampanjpriset, och behandla siffran efter oktober som någonstans mellan $0,02 och $0,03 per sekund.

Vad tusen sekunder kostar

Här är jämförelsen som spelar roll, vid 768p med ljud, för tusen sekunder genererad video – hundra klipp om tio sekunder:

• HeyGen Video i oktober — $10 till $0,01 per sekund.

• HeyGen Video oktober — 0 $ till 0,03 $, eller 30 $ om diagrammets 0,03 $ stämmer.

• MiniMax H3 på OrcaRouter – 80 USD till leverantörens listpris på 0,08 USD per sekund, med 0 % påslag, så alla prisförändringar från leverantören slår igenom här samma dag.

• fal's H3 Max — 80 $ till den angivna taxan 0,08 $ per sekund.

• Kling 3.0 Pro — 168 $ till 0,168 $ per sekund.

• Veo 3.1 — 400 $ till 0,40 $ per sekund.

För team som genererar i bulk och kastar det mesta av det de skapar – sociala nedkortningar, annonsvarianter, produktloopar – är kasseringsgraden den verkliga kostnadsposten, och vid tio cent per tio-sekundersförsök förändras ekonomin för att iterera. Haken är taket: 768p vid 24 fps är inte ett 2K-leveransformat, och ”produktionskvalitet” är HeyGens uttryck, inte en specifikation. Basmodellen MiniMax H3 når 2K via en separat återgenereringsmodul på MiniMaxs hostade API för $0.13 per sekund, och HeyGen Video har ingen motsvarighet – så om ditt leveransmål är över 768p är den billiga sekunden inte den sekund du behöver.

För team som vill jämföra de två finns MiniMax H3 på OrcaRouter som minimax/minimax-h3 för $0.08 per sekund, så basmodellen och den eftertränade modellen kan läggas bakom en och samma nyckel i stället för två avtal. Själva HeyGen Video är inte en routad modell här i dag – den tillhandahålls via HeyGens eget API och flera tredjepartsplattformar – vilket är precis det scenario som automatisk failover finns till för: du kan prototypa mot en modell som är några dagar gammal utan att satsa en produktionsväg på den, och om den når en routad leverantör visas den till listpris i stället för ett pris med påslag.

Vad HeyGen säger att det är dåligt på

Det mest användbara stycket i HeyGens dokumentation är det som listar felmoder, eftersom leverantörer sällan skriver om dem. HeyGen Video har, med företagets egna ord, lägst tillförlitlighet vid lång text på skärmen, vid mjuk organisk rörelse såsom kronblad, papper och hår, och vid arbete med händerna på nära håll som att montera eller manövrera utrustning. Det är som bäst vid korta, avgränsade tagningar: ett motiv, en plats, en handling, en låst eller knappt rörlig kamera.

Den profilen stämmer överens med blindtalen per axel ovan – god följsamhet mot en medföljande bild, svag konsekvens – och den bör styra hur du testar den. Den förmåga som lanseringsfilmerna lutar sig mest mot är textning som genereras inne i tagningen: varje titel i dem målades, stämplades eller trycktes in i scenen i stället för att kompositeras. HeyGens egen vägledning är att korta fraser som stavas exakt renderas tillförlitligt, vilket är ett snävt påstående, och samma dokument avråder från lång text på skärmen. Om ditt arbetsflöde är beroende av läsbar typografi är det den linjen du bör undersöka först.

Den andra MiniMax H3-postträningen på fem veckor

Det intressanta strukturella faktumet är att HeyGen Video inte är den första kommersiella produkten som byggts genom att finjustera MiniMax H3. fal släppte H3 Max den 27 augusti, en efterträning av samma basmodell, samoptimerad med fals inferensstack, och den debuterade högst upp på Artificial Analysis resultattavla för bild-till-video med ljud. Nu har HeyGen gjort samma sak för en annan vertikal – affärsvideo, produktdemonstrationer, utbildning, fastighetsvisningar – och prissatt den lägre än basen.

Det mönstret är den verkliga signalen. MiniMaxs beslut att släppa H3:s vikter under sin egen community-licens gjorde modellen till ett substrat som andra företag kan specialisera och vidaresälja, och den andra sådana produkten på fem veckor tyder på att konverteringsgraden är verklig. Det innebär också att "MiniMax H3" håller på att bli en familj snarare än en modell: basen, fals H3 Max och HeyGen Video konkurrerar nu med varandra till olika priser och i olika upplösningar, och en köpare som jämför "H3" med något annat måste säga vilken H3.

Resultattavlan för text-till-video från Artificial Analysis visar hur starkt det kan slå. Dess näst högst rankade modell med ljud, på Elo 1150, är Utopai X — försedd med fotnot av Artificial Analysis om att den bygger på MiniMax H3 — före själva basmodellen MiniMax H3 på 1138 på fjärde plats. Oavsett basmodellens egen poäng överträffar derivat byggda på den basmodellen i blind mänsklig preferens på åtminstone en oberoende resultattavla.

Vad är fortfarande overifierat

Tre saker som en läsare bör hålla öppna.

För det första har HeyGen Video ingen oberoende poäng. Per den 1 oktober förekommer den inte på någon av de tre videotavlor som Artificial Analysis har – text-till-video, bild-till-video eller videoredigering – så det finns ännu inget blindt Elo från tredje part för den. Varje kvalitetssiffra i den här artikeln är HeyGens egen, baserad på ett utvärderingsset av Arena-frågor som HeyGen sammanställde med 4 800 röster. Det är en försvarbar metodik och ett leverantörsresultat, och det bör läsas som ett sådant.

För det andra har HeyGen inte sagt något om att släppa vikter. Modellen som den finjusterades från har öppna vikter, men en efterträning är en ny artefakt och HeyGens egna licenser är dess egna; inget i lanseringsmaterialet binder dem åt något håll.

Tredje, dokumentationen säger emot sig själv. API-referensen anger att prompten tar emot högst 5 000 Unicode-tecken, medan parametertabellen på modellsidan anger intervallet som 1 till 32 000 tecken — en spridning på 6× för en hård indatagräns. Den lägre siffran är den som förekommer i referensen och i sammanfattningen av ändringsloggen, så planera utifrån 5 000 tills HeyGen förenar de två.

Vem bör agera, och vem bör vänta

Om ditt videarbete ryms inom en inramad tagning – en produkt på en bänk, ett rum med en långsam dolly, ett enda motiv och en låst kamera – och du levererar i 768p eller lägre, är priset som gäller till och med oktober det billigaste trovärdiga sättet som någon för närvarande publicerar för att i stor skala generera film med berättarröst och musik. Testa det den här månaden medan erbjudandet gäller, och utforma testet kring de tre saker som HeyGen erkänner som sina svagheter i stället för kring lanseringsfilmen.

Om ditt leveransmål är över 768p, om du behöver lång text på skärmen, eller om läsbar konsistens mellan tagningar är poängen, vänta. Basversionen av MiniMax H3 förblir den routbara H3 till $0,08 per sekund för 768p, och dess hostade 2K-väg ligger på $0,13 per sekund – båda bakom en enda nyckel på OrcaRouter, till leverantörens listpris utan påslag, så om HeyGens pris efter oktober visar sig bli $0,03 i stället för $0,02 kommer du att se korrigeringen här samma dag som den sker i stället för månaden efter. Det som snabbast skulle ändra domen är en oberoende Elo: när HeyGen Video dyker upp på en blind resultattavla från tredje part, kommer leverantörens 55,8 % antingen att hålla eller inte.