為文章「Avatar 6 vs HeyGen Video 1」生成的標題卡,包含一段寫著「AVATAR 模型比較」的眉題、大標題「Avatar 6 vs HeyGen Video 1」、副標題「同一家廠商,兩種不同工作」,以及三張寫著「畫面中的人物」、「畫面中的場景」和「一個點數帳戶」的膠囊卡片。
Guides & Insights

Avatar 6 對決 HeyGen Video 1:同一廠商,兩項不同任務

作者

Elias Hawthorne

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

HeyGen 推出了Avatar 6,時間為 2026 年 11 月 17 日,即在它推出下列版本七週後:HeyGen Video 1(9 月 30 日)。兩者在同一個模型選單中相鄰並列,皆接受參考圖片,皆輸出帶有聲音的影片,且都由同一個帳戶計費。在兩者之間做選擇並不是品質問題——兩者都不是另一者的較差版本。問題在於畫面裡有什麼。如果必須有某個特定人物出現並說出你的台詞,只有其中一個能做到。如果不需要任何特定人物出現,就只有另一個能做到。

先從框架開始,而不是規格表。

這兩個模型回應的是不同的提示需求。Avatar 6 是讓人物動起來:你交給它一張某人的照片或一段簡短影片,以及那個人應該說出的語音音訊,它就會回傳這個人說出那些話、並隨著音訊暗示的方式動作的畫面。HeyGen Video 1 則是生成場景:你交給它一段描述、一張圖片或一段參考片段,它就會回傳五到三十秒的影片,自帶對白、環境氛圍與特效,完全不涉及任何主持人角色。

這種區別在比較任何數字之前,就決定了大多數真實專案。一個需要具名講師照稿授課的訓練模組,就是 Avatar 6。一支產品廣告,畫面是黎明時分咖啡杯在櫃檯上冒著熱氣,就是 HeyGen Video 1。混合型——講師在生成的 b-roll 上進行簡報——兩者都需要,而 HeyGen 自家的 Video Agent 正是為了將它們拼接起來而存在。

實際上有所差異的規格對比

• 你傳送的內容 — Avatar 6 接收參考媒體與音訊;HeyGen Video 1 接收文字提示、圖片或參考片段,並自行生成音訊。

• 輸出長度 — Avatar 6 的運行時間與你提供的音訊等長,已示範可連續渲染 25 到 28 分鐘;HeyGen Video 1 則產生 5 到 30 秒的短片。

• 解析度 — {{1}}Avatar 6{{/1}} 提供 1080p 與 2K;{{2}}HeyGen Video 1{{/2}} 涵蓋 480p 至 2K,其中 1080p 與 2K 的價格約為 768p 費率的三倍。

• 身分 — Avatar 6 在整段渲染中維持同一個人的臉孔、聲音與舉止神態;HeyGen Video 1 沒有可供維持的身分,跨片段的一致性屬於提示詞設計的問題,而非模型本身的保證。

• 音訊 — Avatar 6 會對您提供的音訊進行唇形同步,因此聲音可由您自行挑選與複製;HeyGen Video 1 則根據提示詞生成音訊(包含對話內容),用於時間估算時約為每秒 2.5 個字。

• 價格 — Avatar 6 以訂閱點數販售,未公佈每秒費率;HeyGen Video 1 有公佈的每秒 API 價格,HeyGen 自家資料中標示為 $0.02,而其成本圖表中則出現 $0.03 的數字。

• 動作控制 — Avatar 6 接受長度最多 1,200 個字元的 motion_prompt,外加一個兩段式表情豐富度開關;HeyGen Video 1 則是在鏡頭描述中接受攝影機、鏡頭與動作指示。

A generated two-column scoreboard titled 'Avatar 6 vs HeyGen Video 1 — the scoreboard'. Left column 'Avatar 6': What you send reference media plus audio; Output length as long as the audio, 25-28 min shown; Resolution 1080p and 2K (up to 2880x1620); Identity one person held throughout; Audio lip-sync to audio you supply; Price credits, no per-second rate. Right column 'HeyGen Video 1': What you send a text prompt, image or reference clip; Output length 5-30 second clips; Resolution 480p to 2K; Identity no identity to hold; Audio audio generated from the prompt; Price $0.02/s published. The footer reads 'Video 1 rate per HeyGen model page. Avatar 6 per-second pricing not published.'

這些列中有兩列比其他列更具份量。長度,因為它關乎的是片段與可交付成品之間的差別;還有價格透明度,因為它關乎的是預算與猜測之間的差別。

價格不對稱的痛點所在

HeyGen Video 1 有價目表。其模型頁面標示 API 存取為每秒 0.02 美元,參數表則說明解析度從 480p 到 2K,其中 1080p 與 2K 的費用約為 768p 費率的三倍。因此,一支三十秒的 768p 影片約為六十美分,你可以直接乘以每月用量,無須詢問任何人。

Avatar 6 並沒有這項資訊。公開定價頁面以每月 29 美元販售 600 點數的 Creator,並以每月 49 美元販售 1,000 點數的 Pro,同時列出 Avatar 6、Avatar 6 Turbo 與 Avatar 6 Pro 為內含功能——但並未公布點數與秒數的換算方式,而開發者定價頁面則會導向需登入的應用程式。這個缺口與其說是疏漏,不如說是成熟度差異:HeyGen Video 1 自九月上市以來,已穩定採用每秒計費,而 Avatar 6 才推出兩天,仍以訂閱功能的形式販售。

對於任何在做成本估算的人來說,這種不對稱性顛覆了慣常的建議。更新、更亮眼的模型,反而是你目前還無法取得單價的那一個。請以點數為 Avatar 6 編列預算,並在擴大規模之前用 HeyGen 驗證換算比例,或者先在免費方案上試行——每月三支帶浮水印、每支一分鐘的影片——直到價目表出現為止。

每個實際上各自擅長什麼

能預測你在成品檔案中會看到什麼的數字是 65.1%,不是橫幅上的 84.4%。HeyGen 的標題把 42.2% 的並排比較勝率重新換算——評分者同時看到一段真實錄音,以及同一講者、同一句台詞、同一段音訊的 Avatar 6 片段——再對照擲硬幣般的 50 基準。若改成單獨看片段,65.1% 的 Avatar 6 輸出會被判定為真實,而未經編輯的錄音則有 78.9% 被判定為真實;一旦用 HeyGen 聲音克隆取代本人聲音,這個數字就降到 56.5%。聲音承擔了很大一部分的說服力,這點在你決定由誰來錄製時值得知道。

在 HeyGen 之外,截至撰稿時僅存在一項評測。New Measure 於 11 月 18 日公布其 Avatar Arena 的早期盲投結果,而 Avatar 6 在兩個榜單上都拿下第一:個人虛擬人 1,197 Elo,預設主播 1,237 Elo。引用前請先讀清楚其限制。腳本上限為 500 字元,97% 的完成比較使用 35 秒或更短的片段,且有三個競爭作品是透過 HeyGen 自家的克隆語音發聲。這些限制每一項所描述的,都是 HeyGen Video 1 所產出的那類片段,而不是 Avatar 6 主打的那種 20 分鐘渲染。

A screenshot of HeyGen's Avatar 6 product page, showing the banner 'Introducing HeyGen Avatar 6, #1 on Avatar Arena', the heygen-avatar-6 model identifier, a 'Write a script' box containing a bracketed-emotion sample script at 195 of 320 characters, an 'Add motion' row with chips for Laughing, Whispering, Surprised, Angry, Excited and Custom, and the 'Choose a presenter' row.

HeyGen Video 1 的說法走向不同。其公布的評估是一組內部的 Artificial Analysis Arena 查詢,包含 4,800 票,並以 HeyGen 自家正規化的 Elo 計分;此外,在 650 票、49% 至 62% 的區間下,它以 55.8% 的盲測偏好勝過另一家供應商經後訓練的 MiniMax H3——而該區間的下限與擲硬幣無異。HeyGen Video 1 並未出現在 Artificial Analysis 的公開影片排行榜上。它真正擁有的是有明文記載的脈絡:它建構於 MiniMax H3 之上,並由 HeyGen 進行後訓練;其提示詞結構像分鏡表,這告訴你,該模型期待的是電影式執導指令,而非一句話。

參考媒體規則正是兩者分歧最嚴重的地方

同意閘門是那種永遠不會出現在定價表裡的不對稱。給 Avatar 6 餵入一段真人影片,工作區就需要 Enterprise 存取權,還要有一段在鏡頭前發表的聲明,並附上為該次工作階段產生的代碼——上個月簽的授權書不算證據,而且在 HeyGen 的比對檢查通過之前,不會有任何渲染結果。照片參考或既有的虛擬人外觀則可完全繞過整套流程。HeyGen Video 1 沒有對應的閘門,因為那裡的參考片段是指引風格,而不是重建具名人士的臉孔;你反而會繼承的是關於所上傳素材的一般授權問題。

HeyGen Video 1 完全沒有那些限制。它的參考影片模式會取用一段參考片段來引導風格與主體,不需要 Avatar 6 所要求的身分驗證,因為它不會隨著時間重建特定真人的臉部。如果你的使用情境涉及已取得同意的演出人員,Avatar 6 的規則就是一項功能。如果涉及風格化角色,這些規則根本不會出現在你的流程中。

從一個地方執行兩者

OrcaRouter 並不提供這兩個模型的服務。兩者皆由 HeyGen 託管、需經同意授權,並以 HeyGen 點數計費,任何路由層都無法改變這點。路由層能改變的,是它們周邊環節的成本。虛擬人物所朗讀的腳本、用來建構影片提示詞的分鏡清單,以及判斷某個請求該用這兩者中哪一個的分類器——這些都是普通的模型呼叫,而正是這些呼叫會在凌晨兩點出錯。兩百多個模型,藏於一組相容 OpenAI 的金鑰之後,以供應商牌價提供、零加成,並具備自動容錯移轉,意味著渲染器是你唯一需要費心處理的供應商關係。

還有第二種較低調的用途。HeyGen Video 1 是建構在 MiniMax H3 之上,而後者是個可透過路由呼叫的模型,768p 每秒 0.08 美元、2K 每秒 0.13 美元。若你想知道 HeyGen 的後訓練是否值得它較高的價格,用同樣的提示詞跑一次基礎模型,是個成本很低的實驗——而且你不需要 HeyGen 帳號就能做。

A screenshot of the OrcaRouter model page for MiniMax-H3 (minimax/minimax-h3), showing the model ID, the description that it generates 4-15 second videos at 768P or 2K with native stereo audio billed per second of output, the per-second price of $0.0800 at 768P and $0.13 at 2K, and OpenAI-compatible code samples.

該選哪一個

當交付成果是一個人物時,就選用 Avatar 6。解說影片、現有發言人的本地化、寄件者面孔很重要的業務開發,任何超過一分鐘的內容,任何音訊已固定且嘴型必須配合音訊的內容。字詞級編輯模式比聽起來更重要:在二十分鐘的影片中重新生成一句話,同時讓 48.3 dB 的未觸及素材保持原樣,就是五分鐘修正與完整重新渲染之間的差別。

當交付項目是一個場景時,就選用 HeyGen Video 1。廣告、B-roll、風格化角色,任何用鏡頭清單來描述所需內容最自然的情況,以及任何短到三十秒不構成限制的內容。按秒計價與已公布的時長限制,讓它成為兩者之中更容易編入預算的選項。

當你製作由主持人主導、搭配插入鏡頭的影片時(大多數企業影片都是這種形式),就同時採用兩者。HeyGen 的 Video Agent 會負責將它們組合起來,分工也很明確:主持人由 Avatar 6 擔任,插入鏡頭則由 HeyGen Video 1 負責,兩個模型都不必勉強去做對方的工作。

什麼仍未被衡量

除了 HeyGen 內部,沒有人在超過 35 秒的情況下測試過 Avatar 6。這個測試場域的上限就停在這裡,而所有長篇宣稱——25 到 28 分鐘、連續、一次生成——都來自 HeyGen 自家的示範。身分會不會在第 12 分鐘開始漂移、手勢語彙會不會開始重複、那種長度的 2K 渲染在經濟上是否合理:全都還是未知。HeyGen Video 1 的未解問題則相反,而且更早存在:三十秒的短片上限是技術限制還是產品決策,以及一旦上市窗口關閉,價格是否還撐得住。

買符合你框架的那一個。不要因為偏好百分比而購買任何一個——包括 HeyGen 的,也包括競技場的。