HeyGen Video ra mắt ở mức 0,01 USD mỗi giây: Hậu huấn luyện MiniMax H3 của HeyGen thực sự thay đổi điều gì

HeyGen Video ra mắt ngày 30 tháng 9 với mức 0,01 USD mỗi giây đến hết tháng 10, và con số đó chính là toàn bộ câu chuyện. Một clip dài mười giây chỉ tốn 10 xu. Trên biểu đồ so sánh của chính HeyGen, mô hình nền tảng mà nó được tinh chỉnh từ đó — MiniMax H3, ra mắt ngày 31 tháng 7 năm 2026 — có giá 0,08 USD mỗi giây ở cùng độ phân giải 768p kèm âm thanh, và các điểm tham chiếu khác trên biểu đồ lên tới 0,40 USD mỗi giây đối với Veo 3.1 của Google. Không có gì quá đặc biệt ở lần ra mắt này: một mô hình, ba chế độ nhắc lệnh, âm thanh được tạo trong cùng một lần gọi. Điều bất thường nằm ở việc một công ty lấy một mô hình nền tảng trọng số mở, huấn luyện thêm nó cho lĩnh vực riêng của mình, và định giá kết quả thấp hơn mô hình mà nó được dẫn xuất từ đó gần một bậc độ lớn — trong khi đồng thời nói rằng những người thử nghiệm mù đã xếp nó cao hơn mô hình nền tảng đó. Cả hai tuyên bố đều thuộc về HeyGen, và phép toán đằng sau chúng mới chính là nơi quyết định của người mua thực sự nằm.

HeyGen Video thực sự là gì

HeyGen Video là một mô hình video đa dụng, không phải một engine avatar, và sự khác biệt này rất quan trọng nếu bạn đã từng dùng HeyGen trước đây. Tài liệu của chính công ty vạch rõ ranh giới: các engine kết xuất avatar của hãng làm chuyển động một ngoại hình bạn đã sở hữu sẵn theo một kịch bản bạn đã viết, trong khi mô hình này tạo ra chủ thể, bối cảnh, ánh sáng và âm thanh cùng một lúc chỉ từ một mô tả. Nó được phát hành dưới định danh heygen-video-1 trên POST /v3/models/videos, được xác thực bằng x-api-key trong header, và chỉ chạy trên các API key trả phí.

Ba chế độ bao gồm việc điều hòa:

• text_to_video — chỉ cần prompt, đầu ra mặc định là 16:9.

• image_to_video — prompt cùng một ảnh, ảnh này trở thành khung hình đầu tiên theo đúng nghĩa, bao gồm cả hướng EXIF của nó; đầu ra tuân theo tỷ lệ của ảnh đó.

• reference_to_video — chế độ mặc định. Prompt cộng với tối đa chín ảnh tham chiếu, ba video tham chiếu và ba clip âm thanh tham chiếu, tổng cộng mười hai mục. Thứ tự trong danh sách trở thành nhãn mà bạn gọi trong prompt: mục đầu tiên của reference_images là <Picture 1>, video đầu tiên là <Video 1>, và ảnh, video và âm thanh được đánh số độc lập.

Đường bao đầu ra rất chặt, và đáng đọc trước khi xem giá:

• Thời lượng — bất kỳ số nguyên giây nào từ 5 đến 15, mặc định là 5.

• Độ phân giải — 480p hoặc 768p, mặc định là 768p. Ở 16:9, tức là 1344 × 768; ở 9:16, 768 × 1344.

• Tốc độ khung hình và âm thanh — 24 fps trong vùng chứa MP4/H.264, với âm thanh AAC ở 32 kHz stereo mang lời thoại, âm nền và hiệu ứng được tạo.

• Tỷ lệ khung hình — 21:9, 16:9, 4:3, 1:1, 3:4 và 9:16, cùng với thích ứng cho chế độ tham chiếu, kế thừa hình dạng của ảnh tham chiếu đầu tiên.

• Tăng cường prompt — turbo theo mặc định, chất lượng cho một lượt xử lý lâu hơn, tắt để gửi văn bản của bạn nguyên vẹn.

Schema rất nghiêm ngặt — các trường không xác định sẽ bị từ chối chứ không bị bỏ qua — và seed là một số nguyên không dấu 32 bit giúp một cảnh quay có thể lặp lại khi bạn giữ nguyên nó và chỉ thay đổi từng mệnh đề một. Các liên kết tải xuống đều được ký và có thời hạn, nên việc polling sẽ làm mới chúng; callback chỉ được thử một lần cho mỗi job và chính HeyGen cũng khuyên bạn nên coi chúng là một cách tối ưu độ trễ chứ không phải một sự bảo đảm.

Những con số của chính nhà cung cấp, và những lưu ý vốn có sẵn trong đó

HeyGen đã đặt một biểu đồ so sánh trên trang ra mắt, và đó là tuyên bố định lượng duy nhất trong bài, nên đáng để mổ xẻ thay vì lặp lại.

Biểu đồ chất lượng là một bảng Elo với HeyGen Video ở vị trí dẫn đầu — 1000 — tiếp theo là Dreamina Seedance 2.0 với 955, dòng H3 Max từ 952 xuống 860, Kling 3.0 Pro với 857 và Veo 3.1 với 744. Phần chú thích đang gánh rất nhiều việc: các điểm số đến từ một bộ đánh giá nội bộ gồm các truy vấn Artificial Analysis Arena với 4.800 phiếu bầu, và điểm của chính HeyGen được chuẩn hóa về 1000 để so sánh dễ hơn. Việc một nhà cung cấp tự chuẩn hóa mình lên vị trí đầu trong biểu đồ của chính mình không phải là bằng chứng cho thấy nó dẫn đầu; đó là một lựa chọn trình bày. Khoảng cách tương đối bên dưới nó mới là phần mang thông tin.

Hữu ích hơn là phần đối đầu trực tiếp. HeyGen nói rằng những người thử nghiệm mù thích mô hình của mình hơn H3 Max của fal trong 55,8% số so sánh với tổng 650 lượt bình chọn, với khoảng 49–62%. Khoảng đó chính là chi tiết trung thực: ở đầu thấp, nó nằm vắt qua mốc 50%, nên theo chính số liệu của HeyGen, mức ưu thích hơn H3 Max không tách bạch rõ khỏi nhiễu. Phân tích theo từng trục cũng có kết quả trái chiều — 65% ở việc giữ trung thành với ảnh nguồn và 66% ở nhịp thời gian, so với 43% ở tính nhất quán và 45% ở âm nhạc — điều này gợi cảm giác về một mô hình giữ tốt một cảnh quay đơn khép kín nhưng lại trôi dạt ở những cảnh dài hơn.

Tốc độ là con số ít gây tranh cãi nhất. HeyGen báo cáo suy luận diffusion của mình mất 3,7 giây cho một clip ảnh-thành-video dài mười giây, so với 4,1 giây cho H3 Max Turbo và 8,3 giây cho H3 Max, không tính thời gian captioner vì nó thay đổi tùy theo chế độ. Bất cứ mức nào dưới độ dài của clip mà nó tạo ra đều nhanh hơn thời gian thực.

Giá cả, cùng một sự mâu thuẫn trong nội dung quảng cáo của chính HeyGen

Hai nguồn HeyGen đưa ra hai mức giá tiêu chuẩn khác nhau. Bản nội dung ra mắt cho biết giá khởi điểm từ $0.01 mỗi giây đến hết tháng 10, được mô tả là giảm 50% so với mức tiêu chuẩn $0.02 — điều này khiến tháng 10 trở thành mức giá khuyến mãi và $0.02 là giá niêm yết. Biểu đồ chi phí trên cùng trang, được chú thích là giá niêm yết mỗi giây ở 768p có âm thanh trước các chương trình khuyến mãi ra mắt, đặt HeyGen Video ở mức $0.03.

Đó không phải là một khác biệt do làm tròn; đó là khoảng cách 50% giữa mức mà phần văn xuôi của HeyGen nói là mức giá tiêu chuẩn của nó và mức mà biểu đồ của HeyGen thể hiện. Các hàng khác của biểu đồ nhất quán với mức giá bên ngoài — MiniMax tính phí MiniMax H3 cơ bản ở mức $0.08 mỗi giây, khớp với mức $4.80 mỗi phút mà Artificial Analysis ghi nhận cho nó — nên các số liệu thuộc dòng H3 không phải là những con số khác biệt. Cho đến khi HeyGen công bố một trang giá API, hãy coi $0.01 là đã được xác nhận vì đó là mức khuyến mãi đang áp dụng, và hãy coi con số sau tháng 10 là nằm ở đâu đó giữa $0.02 và $0.03 mỗi giây.

Một nghìn giây tốn bao nhiêu

Đây là phép so sánh quan trọng, ở 768p kèm âm thanh, cho một nghìn giây video được tạo — một trăm clip dài mười giây:

• Video HeyGen trong tháng 10 — $10 với mức $0,01 mỗi giây.

• HeyGen Video sau tháng 10 — $20 ở mức $0,02, hoặc $30 nếu mức $0,03 trên biểu đồ là đúng.

• MiniMax H3 trên OrcaRouter — $80 theo giá niêm yết của nhà cung cấp là $0,08 mỗi giây, với 0% phụ phí, nên mọi thay đổi giá từ nhà cung cấp đều được cập nhật ngay trong ngày tại đây.

• H3 Max của fal — $80 với mức $0,08 mỗi giây theo biểu giá đã niêm yết.

• Kling 3.0 Pro — $168 với $0,168 mỗi giây.

• Veo 3.1 — 400 đô la ở mức 0,40 đô la mỗi giây.

Với các nhóm tạo nội dung hàng loạt rồi vứt bỏ phần lớn những gì họ làm ra — bản cắt ngắn cho mạng xã hội, biến thể quảng cáo, vòng lặp sản phẩm — tỷ lệ loại bỏ mới là đường chi phí thực sự, và với mức 10 xu cho mỗi lần thử 10 giây, bài toán kinh tế của việc lặp lại thay đổi hẳn hình dạng. Vấn đề nằm ở giới hạn trần: 768p ở 24 fps không phải là định dạng phân phối 2K, còn "chất lượng sản xuất" chỉ là cách nói của HeyGen, không phải một thông số kỹ thuật. MiniMax H3 bản cơ sở đạt 2K thông qua một mô-đun tái tạo riêng trên API được lưu trữ của MiniMax với giá 0,13 USD mỗi giây, và HeyGen Video không có tùy chọn tương đương — vì vậy, nếu mục tiêu phân phối của bạn trên 768p, thì giây rẻ không phải là giây bạn cần.

Đối với các nhóm muốn so sánh hai mô hình, MiniMax H3 có trên OrcaRouter dưới dạng minimax/minimax-h3 với giá $0.08 mỗi giây, nên mô hình gốc và bản hậu huấn luyện có thể được đặt sau một khóa duy nhất thay vì hai hợp đồng. Bản thân HeyGen Video hiện không phải là một mô hình được định tuyến ở đây — nó được cung cấp qua API riêng của HeyGen và một số nền tảng bên thứ ba — đây chính là trường hợp chuyển đổi dự phòng tự động tồn tại để giải quyết: bạn có thể tạo nguyên mẫu với một mô hình vài ngày tuổi mà không đặt cược lộ trình sản xuất vào nó, và nếu nó đạt đến một nhà cung cấp được định tuyến, nó xuất hiện ở mức giá niêm yết thay vì giá bị đánh dấu lên.

Những gì HeyGen nói nó còn kém

Đoạn hữu ích nhất trong tài liệu của HeyGen là đoạn liệt kê các kiểu lỗi, vì các nhà cung cấp hiếm khi viết ra chúng. Theo chính lời công ty, HeyGen Video kém đáng tin cậy nhất với văn bản dài trên màn hình, với chuyển động hữu cơ mềm mại như cánh hoa, giấy và tóc, và với công việc thủ công ở cự ly gần như lắp ráp hoặc vận hành thiết bị. Nó hoạt động tốt nhất với những cảnh quay ngắn, gọn: một chủ thể, một địa điểm, một hành động, máy quay cố định hoặc hầu như không di chuyển.

Hồ sơ đó khớp với các con số đánh giá mù theo từng trục ở trên — khả năng bám sát tốt với hình ảnh được cung cấp, độ nhất quán rất cao — và nó nên định hình cách bạn kiểm thử nó. Năng lực mà các phim ra mắt dựa vào mạnh nhất là chữ được tạo ngay bên trong khung hình: mọi tiêu đề trong đó đều được sơn, đóng dấu hoặc ép vào bối cảnh thay vì được ghép lớp. Hướng dẫn của chính HeyGen cho biết rằng những cụm từ ngắn được đánh vần chính xác sẽ hiển thị đáng tin cậy, đây là một tuyên bố hẹp, và cùng tài liệu đó cảnh báo tránh văn bản dài trên màn hình. Nếu quy trình của bạn phụ thuộc vào kiểu chữ dễ đọc, thì đó là điểm cần kiểm tra trước tiên.

Đợt post-train MiniMax H3 thứ hai trong vòng năm tuần

Sự thật cấu trúc thú vị là HeyGen Video không phải sản phẩm thương mại đầu tiên được xây dựng bằng cách tinh chỉnh MiniMax H3. fal đã phát hành H3 Max vào ngày 27 tháng 8, một bản post-train của cùng mô hình nền tảng cơ sở được đồng tối ưu hóa với ngăn xếp suy luận của fal, và nó ra mắt ở vị trí đầu bảng xếp hạng image-to-video có âm thanh của Artificial Analysis. Giờ đây HeyGen đã làm điều tương tự cho một lĩnh vực dọc khác — video doanh nghiệp, bản demo sản phẩm, đào tạo, tham quan bất động sản — và định giá nó thấp hơn bản nền tảng cơ sở.

Mô hình đó mới là tín hiệu thật sự. Quyết định của MiniMax khi phát hành trọng số của H3 theo giấy phép cộng đồng của riêng mình đã biến mô hình này thành một nền tảng mà các công ty khác có thể chuyên biệt hóa và bán lại, và sản phẩm thứ hai như vậy trong vòng năm tuần cho thấy tỷ lệ chuyển đổi này là có thật. Điều đó cũng có nghĩa "MiniMax H3" đang trở thành một họ mô hình chứ không còn là một mô hình đơn lẻ: bản gốc, H3 Max của fal, và HeyGen Video giờ cạnh tranh với nhau ở các mức giá và độ phân giải khác nhau, và một người mua khi so sánh "H3" với bất cứ thứ gì khác đều phải nói rõ là H3 nào.

Bảng xếp hạng text-to-video của Artificial Analysis cho thấy điều đó có thể tạo được tiếng vang mạnh mẽ đến nhường nào. Mô hình xếp thứ hai có âm thanh của họ, ở Elo 1150, là Utopai X — được Artificial Analysis ghi chú là dựa trên MiniMax H3 — xếp trên chính MiniMax H3 cơ sở ở mức 1138, đứng thứ tư. Dù điểm số của chính mô hình nền tảng là bao nhiêu, các mô hình phái sinh được xây dựng trên nó vẫn đang vượt trội hơn nó về mức độ được ưa thích trong đánh giá mù của con người trên ít nhất một bảng xếp hạng độc lập.

Điều gì vẫn chưa được xác minh

Ba điều mà một độc giả nên để ngỏ.

Đầu tiên, HeyGen Video không có điểm số độc lập. Tính đến ngày 1 tháng 10, nó không xuất hiện trên bất kỳ bảng nào trong ba bảng video của Artificial Analysis — text-to-video, image-to-video hay video-editing — nên hiện chưa có Elo mù từ bên thứ ba cho nó. Mọi con số chất lượng trong bài viết này đều là của chính HeyGen, trên một tập đánh giá gồm các truy vấn Arena do HeyGen tổng hợp với 4.800 phiếu bầu. Đó là một phương pháp có thể bảo vệ được và là kết quả từ nhà cung cấp, và cần được hiểu đúng như vậy.

Thứ hai, HeyGen chưa nói gì về việc phát hành trọng số. Mô hình mà nó được tinh chỉnh từ đó là mở trọng số, nhưng post-train là một tạo phẩm mới và các giấy phép riêng của HeyGen là của chính HeyGen; không có gì trong tài liệu ra mắt ràng buộc nó theo hướng nào cả.

Thứ ba, tài liệu mâu thuẫn với chính nó. Tài liệu tham chiếu API nêu rằng prompt chấp nhận tối đa 5.000 ký tự Unicode, trong khi bảng tham số trên trang models đưa ra phạm vi là 1 đến 32.000 ký tự — chênh lệch gấp 6 lần đối với một giới hạn đầu vào cứng. Con số thấp hơn là con số xuất hiện trong tài liệu tham chiếu và trong phần tóm tắt changelog, vì vậy hãy lập kế hoạch dựa trên mốc 5.000 cho đến khi HeyGen thống nhất hai con số này.

Ai nên hành động, và ai nên chờ đợi

Nếu công việc video của bạn nằm gọn trong một cảnh quay khép kín — một sản phẩm trên bàn, một căn phòng với cú dolly chậm, một chủ thể duy nhất và camera cố định — và bạn xuất ra ở 768p hoặc thấp hơn, thì mức giá áp dụng đến hết tháng Mười là cách rẻ nhất mà vẫn đáng tin cậy để tạo ra ở quy mô lớn những thước phim có lời bình, có nhạc nền mà hiện nay có ai đó đang công bố. Hãy thử nó trong tháng này khi chương trình khuyến mãi vẫn còn hiệu lực, và thiết kế bài thử nghiệm xoay quanh ba điểm mà HeyGen tự nhận mình còn yếu, thay vì xoay quanh đoạn phim ra mắt.

Nếu đích phân phối của bạn trên 768p, nếu bạn cần văn bản dài trên màn hình, hoặc nếu mục đích là sự nhất quán dễ đọc giữa các cảnh quay, hãy chờ. MiniMax H3 bản cơ sở vẫn là H3 có thể định tuyến ở mức 0,08 USD mỗi giây cho 768p, và đường 2K được host của nó có giá 0,13 USD mỗi giây — cả hai đều nằm sau một key duy nhất trên OrcaRouter, theo giá niêm yết của nhà cung cấp, không đội giá, nên nếu mức giá sau tháng 10 của HeyGen hóa ra là 0,03 USD chứ không phải 0,02 USD, bạn sẽ thấy mức điều chỉnh ở đây ngay trong ngày nó xảy ra, chứ không phải sau một tháng. Thứ sẽ thay đổi kết luận nhanh nhất là một bảng Elo độc lập: một khi HeyGen Video xuất hiện trên một bảng xếp hạng mù của bên thứ ba, con số 55,8% của nhà cung cấp hoặc sẽ đứng vững, hoặc sẽ không.