HeyGen Video、Voice 上架 fal：短片生成、聲音複製與舊數字人 API 怎麼分？

HeyGen Video 與 HeyGen Voice 現在可以從 fal 呼叫，這次新增的是帶聲音的短片生成，以及可單獨使用的語音模型。

對已經用 fal 串接生成工具的團隊，意義是能把鏡頭和配音留在同一套服務流程，減少另外接一套平台的工作。

HeyGen 的數字人和影片翻譯早在三月就已經進入 fal，這次則補上五到十五秒、最高 2K 的短片，以及三十九種語言與聲音複製。

這些選項和從腳本製作整支影片的 Video Agent，處理的是不同工作。如果選錯服務，即使都叫 HeyGen，也不一定得到想要的成品。

我會建議已有剪輯或應用程式流程的人先試這批端點；若只想做固定人物講解，應先確認需要的是短片、配音還是數字人。

選對用途之後，API 參數才會變成可操作的選擇。API 是讓程式向服務送出請求、再取得結果的介面。

HeyGen Video 上架 fal，這次和原有數字人服務差在哪？

本次公告把短鏡頭生成和獨立語音補進 fal 的 HeyGen 選項。

fal 是提供多種生成模型的服務平台，開發者能從程式呼叫模型，而不必自己準備執行模型的硬體。它在台灣時間十月二十二日凌晨的官方貼文，介紹了這批新選項。

三種成品，對應三種工作

先以一支產品介紹片來看，人物對著鏡頭說話、產品在桌上轉動，以及旁白解釋功能，可以分別由不同工具處理。

數字人服務重點是人物的身分、表情與嘴型。短片模型則依文字或參考畫面生成一段鏡頭，可以有人物對話，也可以是環境或物件。

獨立語音模型只輸出聲音，讓剪輯者把它放到自己拍攝、簡報或已經生成的畫面裡。這也是 HeyGen Voice 的位置，並不要求同時生成影片。

以下把用途放在一起比較，選擇時先看需要交付什麼，再看品牌名稱。

表格中的工具可以放在同一個製作流程裡，但它們不會互相取代。HeyGen 短片模型產生十秒鏡頭，不代表它已完成整支影片的分鏡與剪輯。

為什麼要交代三月的既有服務？

fal 三月二日公告 就已列出 Video Agent、Avatar IV、影片翻譯與數字人影片。已經接過這些服務的團隊，這次應看新增的模型路徑和輸入格式。

對新使用者而言，這個時間差也有實際用途。搜尋教學時，舊文章可能介紹的是翻譯或固定人物，不能直接套到這次的短片端點。

知道要產出哪一種素材，才知道該送文字、第一張畫面或聲音樣本。

文字與圖片生成短片怎麼選？先決定鏡頭與第一幀

沒有固定畫面時可從文字起步，要延續產品或場景構圖時則可用圖片作第一幀。

文字轉影片文件 的必填內容是提示詞。請求還能設定長度、解析度、畫面比例、提示詞增強與種子值，種子值可用來記錄這次生成的設定。

文字輸入適合先找鏡頭方向

以咖啡器具短片為例，可以先描述桌面、光線、倒水動作和希望聽見的聲音。這類指示是本文的製作建議，並非已經生成成功的範例。

因為模型同時處理畫面與聲音，鏡頭裡若有人說話，就應把台詞和說話者說清楚。環境聲與效果音也最好連到畫面中的動作，避免只列一串互不相關的要求。

官方公告說短片包含對話、環境聲與效果音，但沒有因此保證每段都能準確唸出品牌名。真正要交付前，台詞仍得逐字聽，尤其是專有名詞和價格。

如果短片最後要接上獨立旁白，可以先思考鏡頭原生聲音扮演什麼角色。旁白和角色對話同時出現時，需要在剪輯中安排音量與時間，不能只把兩個檔案疊起來。

圖片輸入讓起始構圖更明確

圖片轉影片文件 要求提示詞與圖片網址，並明寫圖片用作第一幀，也就是影片開始的那個畫面。

這對已有產品照、場景設計或構圖稿的人比較直接。你能先把起始畫面定下來，再描述接下來的動作，少掉一部分從文字猜構圖的空間。

但第一幀有產品，不表示後面每一格都會保留標誌、按鍵或尺寸。對產品展示，應特別檢查動作過程中的輪廓和細節，不能只驗收開頭那張圖。

官方貼文也提到以參考素材生成影片，但本文沒有取得該模式同等完整的參數說明，因此不提供猜測的呼叫方式。想做這類工作時，要另外選到對應端點。

解析度與比例要跟交付畫面一起選

截至十月二十二日查詢，HeyGen Video 文字端點列出 480p、768p、1080p 與 2K，預設為 768p。畫面比例包括橫式、直式與方形等六種選項。

預設值方便第一個請求跑起來，正式流程則應把設定明寫。若要做直式短片，卻留著預設的 16:9，最後裁切可能把產品或人物切掉。

fal 公告的生成長度範圍是五到十五秒，但文件的預設值五秒，不能直接解讀成只能做五秒。整支影片要更長，通常還得分鏡生成，再由剪輯流程接起來。

鏡頭能動起來之後，還要決定聲音跟畫面一起生成，還是另外做。

HeyGen Voice Turbo 怎麼用？語言、聲音與參考錄音

Voice Turbo 讓同一段文字選擇公開聲線，或參考單一講者錄音產生配音。

HeyGen Voice Turbo 官方文件 要求輸入文字，回傳四十四點一 kHz 的 WAV 聲音檔與時長。WAV 是常見音訊檔案格式，可以再放進剪輯軟體處理。

公開聲線和聲音複製怎麼分？

HeyGen Voice 的公開聲線是從服務列出的聲音選項中挑選，不必先上傳自己的錄音。文件提供二十四個名稱，預設聲線為 Jonah。

聲音複製則改用參考錄音。文件要求錄音是單一講者，服務最多使用前面三分鐘，這是讀取範圍的上限，並沒有寫成必須錄滿三分鐘。

一旦提供參考錄音網址，公開聲線的選單就會被忽略。這個優先順序很容易影響整合：如果介面讓使用者同時選了聲線和錄音，應清楚告知最後以哪一個為準。

錄音中若同時有主持人和來賓，就不符合單一講者的輸入描述。準備素材時，應先挑出只有目標講者的片段，並確認有權使用該人的聲音。

這和用公開聲線做草稿是不同責任。要製作固定品牌聲音，除了生成品質，也需要把參考錄音的來源和使用同意留在製作紀錄。

三十九種語言包含中文，不等於所有口音都相同

語言選項共有三十九種，包含中文、英文、日文和韓文。沒有填寫時，系統會從文字判斷語言。

但中文的語言代碼沒有單獨保證台灣口音，也沒有為每一種地區用語公布成績。要做台灣受眾的內容，還是得聽人名、地名、數字和英文縮寫怎麼唸。

例如講稿有日期與金額，可以先在文字裡寫成希望聽見的形式，再比較生成結果。這是讓內容更明確的編輯方式，並不保證模型一定遵守。

多語言影片也不只是把文字換成另一種語言。不同語言的句長和節奏可能不同，配音長度會影響字幕、留白和鏡頭切換，因此翻譯後最好重新安排時間。

Turbo 與表情參數能回答到哪裡？

fal 把 HeyGen Voice Turbo 稱為較快的層級，文件也提供控制表達程度的參數，預設值為 1。但這些說明沒有提供可直接套用到所有請求的倍速保證。

因此，若應用需要固定等待時間，應記錄自己的文字長度、錄音來源和請求時間。短句和長段落的結果不能混在一起，拿平均值替使用者承諾回應速度。

配音回應另有時長欄位，剪輯流程可以用它先安排素材位置，再實際聽過停頓和尾音。因為一句話的檔案長度相同，不代表重音與畫面切換正好配合，所以時間資訊只能協助排版，不能取代聽稿。

這些參數能控制輸入和輸出，但聲音是否適合台灣聽眾仍要逐段聽。確定聲音可用後，才進入素材交付流程。

從請求到素材交付：fal 佇列、檔案與金鑰如何處理

短片工作流除了生成本身，還包含排隊、取回檔案與保護服務憑證。

佇列可以想成工作單。程式先送出請求並取得工作編號，再查詢執行狀態，完成後才取得結果，這樣就不必讓使用者一直卡在同一個等待畫面。

工作編號不是完成影片

fal 文件示範了送出、查狀態與取回結果三個動作。工作被接受，只表示排進系統，還不能當成影片已完成或已下載。

對製作介面，這個差別應直接反映在狀態顯示。排隊中、生成中、完成與失敗，會影響使用者是繼續等、修改輸入，還是重新送出。

如果團隊要一次產出多個鏡頭，可以把每個工作編號接到原分鏡。這樣即使完成順序不同，也知道哪支影片對應哪段台詞與設定。

完成後還應把請求設定和結果檔放在一起。只留下影片網址，之後遇到需要修改解析度或構圖，就很難回想當時用了哪一套輸入。

檔案要能取得，金鑰則不該公開

圖片與錄音網址必須讓服務取得內容。文件提醒，部分網站會阻擋跨站讀取或限制請求，這時網址在自己的瀏覽器能開，不等於模型服務也能讀到。

可用做法包括依官方方式上傳檔案，或使用可供服務存取的檔案位置。若是客戶尚未公開的產品照，則應先確認公司的素材處理方式，再把它送進流程。

API 金鑰是程式呼叫服務的憑證。fal 明確要求，不要把它放在使用者可讀取的前端程式裡，而應由伺服器代為送出請求。

這個安排不只是隱藏一串文字。當多個人共用製作工具時，請求記錄、失敗處理與費用歸屬，也需要在應用端管理，不能由模型名稱自動解決。

本文沒有呼叫付費生成，也沒有把 HeyGen 自營平台的價格沿用為 fal 價格。估算預算時，應按實際端點、解析度和長度查看當次顯示的費率。

流程能穩定取得結果後，再把檢查通過的素材送進剪輯，才算完成一個製作環節。

哪些團隊適合先試？用同一支短片做小規模比較

我會先做一支已有分鏡的短片，分開檢查畫面連續、聲音和產品資訊。

對已用 fal 的開發團隊，HeyGen 新端點可減少接入另一家平台的工作。既有的工作編號、素材保存和剪輯流程若能沿用，這份整合價值就比較容易看見。

但沒有程式或剪輯流程的個人創作者，可能先使用完整製作介面更方便。從 API 取回一支片段後，字幕、封面、片尾和多鏡頭銜接仍要有人處理。

同一段內容分兩種聲音流程比較

可以選一段不含敏感資訊的產品介紹，先用短片模型產生原生聲音，再另做一版獨立 Voice 配音。兩版使用同樣的訊息，才看得出修改與剪輯成本的差異。

比較的重點是：原生聲音是否貼合動作、獨立配音是否比較容易改稿，以及換一句台詞會不會需要重做整段畫面。這些問題會直接影響後續的工作量。

不要只比較第一次成功的成品。如果做出可用版本之前還重來多次，總成本就應包含失敗生成、人工檢查和重新剪輯的時間。

對固定人物與多語言團隊，各看不同條件

固定人物內容更在意身分與表情的一致性，因此應和既有數字人服務比較，不能只因短片端點更新就整批搬過去。

多語言團隊則應挑一段有數字、品牌名和停頓的講稿，讓熟悉該語言的人聽完。文件列出語言，提供的是可選範圍，成片能否使用還要經過內容驗收。

這樣才能知道新端點省下的是接線工作、素材製作，還是兩者都有。一次明確的小比較，比沒有交付標準的大量生成，更容易決定下一步。

延伸閱讀：HeyGen Video 推出企業影片生成服務：每秒價格降低後，如何計算一支可用影片的成本？

延伸閱讀：HeyGen 與 Ryan Serhant 的官方化身：日更影片如何保留本人的觀點？

HeyGen Video 與 Voice 常見問題

HeyGen Video 這次是第一次上架 fal 嗎？

HeyGen 先前已有數字人、翻譯與 Video Agent 服務接入 fal。本次公告補上的是 HeyGen Video 短片模型與獨立 Voice 模型。

HeyGen Voice 支援台灣中文嗎？

文件列有中文選項，但沒有為所有台灣口音與用語提供品質保證。正式使用前，應檢查實際講稿的人名、數字與發音。

聲音複製必須提供三分鐘錄音嗎？

不是。文件說服務最多使用參考錄音的前三分鐘，且應為單一講者，並未把三分鐘寫成必要長度。

HeyGen Video 可以直接完成一支長影片嗎？

這次公告主打五到十五秒短片。多鏡頭長影片仍需另外安排腳本、剪輯與驗收，或評估不同用途的 Video Agent。

結語：先選交付物，再選模型端點

HeyGen 這次在 fal 補的是短片和語音選項，既有數字人工作流仍有自己的位置。

如果已有製作流程，可以從一支熟悉的短片開始，比較畫面、聲音與改稿成本。選擇符合交付物的服務，才有機會把更多模型選項變成實際便利。

想追蹤 AI 影音模型的官方更新，可以免費訂閱 AI 郵報。

資料來源

• fal 原始公告
• 文字轉影片 API
• 圖片轉影片 API
• Voice Turbo API
• 三月既有服務公告