curl --request POST \
--url https://api.vidgo.ai/api/generate/submit \
--header 'Authorization: Bearer <token>' \
--header 'Content-Type: application/json' \
--data '
{
"model": "heygen/avatar-6/image-to-video",
"input": {
"image_urls": [
"https://cdn.vidgo.ai/temp/presenter.png"
],
"audio_url": "https://cdn.vidgo.ai/temp/speech.mp3",
"prompt": "Face the camera with a warm smile and use small, natural hand gestures.",
"resolution": "1080p"
}
}
'{
"code": 200,
"data": {
"task_id": "task-example-001",
"status": "not_started",
"created_time": "2026-11-19T10:30:00"
}
}{
"detail": "image_urls is required"
}{
"detail": "image_urls is required"
}HeyGen
HeyGen Avatar 6 图生视频
HeyGen Avatar 6 图生视频 API 用一张人物照片和 2–60 秒语音音频生成口型同步的说话视频,分辨率 1080p 或 2K。
POST
/
api
/
generate
/
submit
curl --request POST \
--url https://api.vidgo.ai/api/generate/submit \
--header 'Authorization: Bearer <token>' \
--header 'Content-Type: application/json' \
--data '
{
"model": "heygen/avatar-6/image-to-video",
"input": {
"image_urls": [
"https://cdn.vidgo.ai/temp/presenter.png"
],
"audio_url": "https://cdn.vidgo.ai/temp/speech.mp3",
"prompt": "Face the camera with a warm smile and use small, natural hand gestures.",
"resolution": "1080p"
}
}
'{
"code": 200,
"data": {
"task_id": "task-example-001",
"status": "not_started",
"created_time": "2026-11-19T10:30:00"
}
}{
"detail": "image_urls is required"
}{
"detail": "image_urls is required"
}- 提交后会返回
task_id。如果提供了callback_url,当任务状态变为finished或failed时,系统会向callback_url发送 POST 请求。 - 无论是否提供
callback_url,都可以通过统一的查询任务状态接口获取结果。
模型
- heygen/avatar-6/image-to-video — 照片 + 语音音频生成说话视频,1080p 或 2K。
功能
- 一张照片即可生成口型同步、面部表情和手势。
- 视频时长跟随音频,2–60 秒。
- 可选
prompt引导手势、表情和姿态。 1080p或2K输出,保持照片的宽高比。
必填参数
image_urls(string[]):恰好一张要驱动的人物照片,使用公开可访问的 HTTP(S) URL。audio_url(string):语音音频,时长 2–60 秒,最大 15 MB,使用公开可访问的 HTTP(S) URL。视频时长跟随音频。
可选参数
prompt(string):对手势、表情和姿态的引导,最多 1,200 个字符。resolution(string):1080p或2K。默认1080p。
输出
- 一个口型同步的 MP4 视频。
- 视频时长跟随语音,可能比音频短约十分之一秒。
示例
- 照片 + 语音:主持人照片和一段 MP3,带动作引导,
1080p。 - 2K 输出:同样的输入,
2K。
注意事项
- 使用面部清晰、正面的照片和连贯清晰的语音,口型同步效果最好。
image_urls必须恰好包含一张图片。- 提交时会检测音频:需为 2–60 秒、最大 15 MB 且可下载,其他音频返回 400。
model和callback_url放在请求根级,与input并列。input接收上文列出的本模式字段,其他字段返回 400。- 按秒计费,单价取决于
resolution。提交时按音频时长(向上取整到整秒)扣费。任务失败会全额退还。当前费率见定价页。
请求体
application/json