HeyGen Video 1 发布解读：一分钱一秒的钩子，和它背后的真实价格

引言：一分钱一秒改的不是价格，是试错次数

一件大多数人会算错的账。

做十条十秒的短视频素材，如果每秒一分钱，总成本是 1 美元。这听起来便宜到没有决策成本，随手就能试。

但真实的制作流程不是「做十条用十条」。是做五十条用三条。

社媒切条、广告变体、产品循环，这些活的产出率很低——你要试不同的开场、不同的口播、不同的镜头，最后挑一两条发。生成量是发布量的十几倍。

所以「一秒多少钱」这个数字真正的意义，不在成片成本，在你能不能承担把废片扔掉。

以每秒 0.40 美元的 Veo 3.1 算，试五十条十条秒的片子是 200 美元。这个数字会让团队在做之前先想清楚，试错变成一件需要审批的事。

以每秒一分钱算，五十条是 5 美元。试错从「决策」变成「习惯」。

这就是 HeyGen Video 1 的整个商业逻辑。它不是「更便宜的视频模型」，它是把视频生成的成本压到可以让废片率自由的位置。

但这里有个问题：一分钱一秒不是所有情况下的价格。

官方 Help Center 的价目表写得很清楚：$0.01/秒是文生视频 480p。你要用参考图保住产品的外观（这是它最核心的能力），价格是 $0.03/秒，三倍。而且参考生视频要把输入视频的秒数也计费，标准价还会在 11 月翻倍。

真实的最高路径，是宣传价的 9 倍。

这篇要做的，是把这个钩子后面那根线看清楚。

---

一、产品定位：它到底是什么，不是什么

它是什么

一句话：HeyGen 的第一个通用视频模型，一次调用生成画面加声音。

在此之前，HeyGen 的产品全部围绕「数字人」：你有一段真人素材或一张照片，它把这段素材变成一个能念任意脚本的分身。Avatar V、Avatar IV、照片数字人、视频翻译，都是这个逻辑的延伸。

Video 1 不一样。它不需要你提供素材那个人，它从一句描述里发明出主体、场景、光线和声音。

官方文档自己划线划得很明确：数字人引擎「animation 一个你已经拥有的形象，按你已经写好的脚本」；这个模型「从描述里同时发明主体、场景、光线和声音」。

三种调用方式，一个模型：

模式	你给什么	你得到什么
text_to_video	一段提示词	一个带声音的新场景
image_to_video	提示词 + 一张图	以这张图为第一帧的片段
reference_to_video（默认）	提示词 + 参考图/视频/音频	保留你提供的人物、产品、场景的新场景

输出规格：

• 时长 5–15 秒（整数）
• 分辨率 480p / 768p / 1080p / 2k（默认 768p）
• 24 fps，MP4/H.264
• 音频：AAC 32kHz 立体声，含生成的对白、环境音、音效
• 宽高比：21:9、16:9、4:3、1:1、3:4、9:16，参考模式另有 adaptive

声音是在同一次调用里生成的，不需要单独跑一遍语音、不需要对口型、不需要选数字人。这一点是它和 HeyGen 老产品最本质的区别。

它是站在 MiniMax H3 上的

官方文档第一句就写了：「built on MiniMax H3 and post-trained by HeyGen」。

MiniMax H3 于 2026 年 7 月 31 日发布，原生立体声、最高 2K、最长约 15 秒，是一个开放权重的多模态基础模型。

HeyGen 做的事是：拿这个开源基础模型，用自己企业工作流的数据做后训练，然后按秒卖给企业。

这个定位决定了三件事：

第一，它的能力上限受 H3 约束。 时长 15 秒、分辨率档位，这些基本框架来自底座。

第二，它的差异在「后训练」那一层。 官方强调的优势是「场景稳定」「按字面执行」「音画同源」——这些是可以靠后训练强化的方向。

第三，价格能压到比源头还低。 H3 Max（H3 的速度档）列表价 $0.08/秒，HeyGen Video 768p 标准价 $0.03/秒。卖得比它改良的那款还便宜，同时声称质量更好。 这件事在商业上很反常，后面第五章细说。

它不是什么

不是数字人工具。 这是最容易搞混的一点。HeyGen 的老用户可能以为这是「数字人的升级版」，实际上它和数字人是两条产品线，并存不替代。你要让一个真人的克隆念稿子，还是用 Avatar 系列。

不是开源的。 模型 ID heygen-video-1，闭源，只能调 API。虽然底座 MiniMax H3 是开放权重的，但你拿不到 HeyGen 后训练过的这一版。

不是「随便调」的便宜货。 只有付费 API key 能用，没有免费层。而且价格随模式、分辨率、输入视频秒数变化，最低价和最高价差 9 倍。

没有网页版。 官方发布时说「Web platform access is coming soon」。目前只有 API 和几个第三方平台（OpenRouter、Runware、ComfyUI、Picsart）。

1.4 要花多少钱

这是全篇最重要的一节，因为官方标题那个数字会误导大多数人。

先看完整价目表（官方 Help Center，2026-09-30）：

模式	分辨率	促销价（现在）	标准价（11 月起）
文生视频	480p	$0.01/秒	$0.02/秒
文生视频	768p	$0.015/秒	$0.03/秒
图生视频	480p	$0.01/秒	$0.02/秒
图生视频	768p	$0.015/秒	$0.03/秒
参考生视频	480p	$0.02/秒	$0.04/秒
参考生视频	768p	$0.03/秒	$0.06/秒

三条容易漏的规则：

第一，$0.01 是最低配。 它对应「纯文字提示 + 480p + 促销期」。你要用参考图保住产品外观（它的核心能力），起步价就是 $0.02，768p 是 $0.03。

第二，参考生视频按「输入秒数 + 输出秒数」计费。 官方原文：billing covers input video seconds + output video seconds。图片和音频参考免费。

所以一个 10 秒的 Ref2V 片段，如果带一段 5 秒参考视频：

• 促销价：(10 + 5) × $0.03 = $0.45
• 标准价：(10 + 5) × $0.06 = $0.90

同一条片子在官宣口径里是「一毛钱」，实际是九毛。差 9 倍。

第三，1080p 和 2k 是 768p 的 3 倍价。 这一条只在 API 文档里，Help Center 的价目表没列。

分辨率	时长	促销价（Ref2V）	标准价（Ref2V）
480p	10 秒	$0.20	$0.40
768p	10 秒	$0.30	$0.60
1080p	10 秒	$0.90	$1.80
2k	10 秒	$0.90	$1.80

再看渠道价。 OpenRouter 上列为 $0.90/分钟，也就是 $0.015/秒——正好对应官方 768p 文生视频的促销价。第三方平台基本是转售官方价，不会更便宜。

订阅侧。 HeyGen 本身是 SaaS，有免费版和付费套餐（Creator、Team、Enterprise），但这些套餐覆盖的是数字人、翻译、模板那套产品，Video 1 走的是 API 按秒计费，不占套餐额度。想用它就得单独买 API 额度。

三笔隐性成本：

一是提示词长度。 官方明说「长提示词优于短提示词」，prompt 上限 32,000 字符（另一处写 16,000 Unicode 字符，见第四节的冲突）。也就是说，要做好它，你得写八百到一千字的详细描述——这是人力成本，不体现在账单上。

二是废片率。 5–15 秒的片段，实际能用的比例取决于你的标准。如果按 1:5 的采用率算，成片成本是单次生成的 5 倍。这才是「一分钱一秒」真正的价值所在——它让高废片率变得可以承受，而不是让成片更便宜。

三是回调不可靠。 官方自己说回调「每个任务只尝试一次」，建议当作「延迟优化而非保证」。生产系统必须做轮询兜底。

---

二、核心能力拆解：它提供了哪些关键能力

能力一：音画同源生成

一句话提示，返回的是带对白、环境音、音效的完整片段。

这件事的价值不在于「省了一次配音」，在于声画天然对齐。分开做的话，环境音要和画面空间匹配（房间混响、室外空旷感），对白要对上口型，音效要卡在动作点上——每一步都可能出错。同一次生成里出来，这些约束是内建的。

官方对此的描述是：「Room tone、effects 和 speech 与画面从同一个提示词生成，所以它们匹配你描述的空间。」

但要冷静看：官方分项数据显示，它的「音效与人声」偏好率是 57%（59 票），「音乐」是 45%（20 票）。音效及格，音乐不及格。 想要配乐，还是另外找。

能力二：参考图保住你的东西

reference_to_video 是默认模式，也是最有企业价值的一个。

给它一张产品照片，它会把这个产品的颜色、形态、标记带进新场景。官方给的说法是「给它一张照片，那个物体的颜色、形态和标记会存活到镜头里」。

对企业来说这就是「不用重拍」。同一款产品，换个场景、换个光线、换个模特，不用再搭一次影棚。

参考资源的额度：

类型	上限
参考图	9 张
参考视频	3 段
参考音频	3 段
合计	12 项

两个关键细节：

一是列表顺序就是标签。第一张参考图在提示词里叫 <image_1>，第二张叫 <image_2>，第一段视频叫 <video_1>。图片、视频、音频各自独立编号。API 不会改写这些标签——写错了就是写错了。

二是参考视频只读前 5 秒。更长的会被裁到 5 秒再生成。所以上传前要自己剪到「你想被跟随的那 5 秒」，否则它读的是开头，不是你要的那段。

能力三：三种模式覆盖不同的起点

• T2V：什么都没有，全靠描述。适合概念片、氛围镜头。
• I2V：给一张图当字面意义上的第一帧，输出跟着这张图的比例走。适合产品图动起来、房产走位。
• Ref2V：给参考素材，它保留参考里的东西，但重新发明场景。适合「把这个产品放进这个场景」。

I2V 和 Ref2V 的区别经常被搞混：I2V 是「这张图动起来」，Ref2V 是「这个产品出现在别处」。 想做产品植入要用后者，用前者会得到一张会动的产品图。

能力四：确定性的输出

三个设计让它比多数视频模型更「工程友好」：

严格的 schema：未知字段会被拒绝而不是忽略。写错参数立刻报错，不会静默按默认值跑。

seed 可用：无符号 32 位整数。固定 seed、一次只改一句提示词，可以做 A/B 对比。官方明说这是「让一个镜头可重复」的用法。

Idempotency-Key：24 小时内同样的 key 重试会重放原结果，并发重复返回 409。

这三个加起来，意味着它可以进生产流水线。 大多数视频模型的 API 做不到这一点。

能力五：四档提示词增强

prompt_enhancement 有四个值：

值	行为
turbo	最快，质量最低（文档一处说这是默认，另一处说 quality 是默认）
quality	质量和速度平衡
ultraquality	最高质量，最慢
disabled	原样送进模型，不改写

disabled 是给「已经写好八百字详细描述」的人用的。 如果你花时间写清了每一个细节，就不该让模型再改写一遍。

能力与场景对应

能力	解决什么	谁最需要	成熟度
音画同源	免掉配音与同步	企业内容、社媒	可用（音乐分项弱）
参考保真	产品不用重拍	电商、广告	可用（核心价值）
三模式	三种起点都覆盖	通用	可用
严格 schema + seed	可进生产流水线	开发者	可用
2k 输出	大屏与高清	广告投屏	可用但贵 3 倍
长屏文字	片尾字卡、字幕	—	弱项（官方承认）
精细手部动作	组装、操作演示	—	弱项（官方承认）

---

三、典型应用场景：谁在什么条件下用它解决什么问题

3.1 场景地图

HeyGen 自己在发布材料里点了四个用途：产品演示、培训、入职、房产走位。

这四个词很有信息量。它们都不是「创意短片」，是有明确用途、需要批量、对美感要求中等的企业内容。

按使用者拆：

• 企业培训与 HR：入职、合规、SOP，一年几十条，每条要重录
• 市场与电商：产品演示、广告变体、投放素材
• 代理商与工作室：给客户批量出片
• 房产与本地服务：房源走位、门店介绍

按形态拆：API 调用（现在唯一方式）、第三方平台（OpenRouter、ComfyUI 等）。

哪些是主场，哪些只是「也能做」：短而收敛的镜头——一个主体、一个地点、一个动作、固定或缓慢移动的机位——是主场。长镜头、复杂动作、精细手部操作、长屏文字，不是。

3.2 场景一：企业培训与 SOP 视频

谁在用：中大型企业的培训部门、HR。

触发条件：一套产品操作流程要拍成培训视频，几十个步骤，每次产品更新都要重录。

痛点：传统做法是找摄制团队，一个流程几千到几万，周期两三周。产品一改版，全部重拍。很多企业因此干脆不做，让新员工看 PDF。

产品介入点：Ref2V。给一张设备照片，描述步骤，生成一段操作演示。产品改版了，换张照片重生成。

前置依赖：需要把操作流程写成详细提示词（官方的示例提示词有八百多字）；需要接受它不擅长精细手部操作——这是官方明确列的弱项。

产出与收益：从「几周 + 几万」变成「几小时 + 几美元」。真正的价值是能跟着产品一起更新。

边界与风险：官方明说「精细手部工作（组装、操作设备）是最不可靠的」。培训视频恰恰大量涉及手部操作。这个矛盾要正视：用它做「概念演示」可以，做「精确操作教学」会误导员工。

3.3 场景二：电商与广告的素材变体

谁在用：电商运营、投放团队、代理商。

触发条件：一个产品要出几十条素材投不同渠道、不同人群。

痛点：实拍一套素材几千块，改一个场景就要重拍。用生成模型，产品会变形——这在电商里是硬伤，因为「图和实物不符」直接影响退货。

产品介入点：Ref2V + 参考图。产品照片作为参考，颜色形态标记保留，场景重新生成。

前置依赖：一张清晰的产品图；能写清场景描述的提示词；能接受 5–15 秒的片段长度（做长片要拼接）。

产出与收益：单条 10 秒素材标准价 $0.60（768p），促销 $0.30。对比实拍，成本结构完全不同。更重要的是可以试——一次生成三毛钱，可以出二十个方向再挑。

边界与风险：产品保真是「大概率」不是「保证」。官方的说法是「颜色、形态和标记会存活」，但没有说 100%。电商场景必须逐条人眼核对标签和 logo——这一条不能省。

3.4 场景三：社媒切条与废片经济

谁在用：内容团队、MCN、独立创作者。

触发条件：一个账号每天要发 3–5 条，素材永远不够。

痛点：不是做不出好片子，是做不出足够多的片子。一条能发的素材背后是十条废片，而十条废片在别的模型上要花几十美元。

产品介入点：T2V 480p（$0.01/秒）。先大量生成低价草稿，挑中的再用 768p 或 2k 重生成。

前置依赖：能接受 480p 的草稿质量；有批量调用的工程能力。

产出与收益：一条 10 秒草稿一毛钱，试五十条五美元。这是它最贴近「一分钱一秒」这个标语的场景，也是这个价格真正改变工作方式的地方。

边界与风险：480p 只能看构图和动作，看不清细节；草稿挑中后重生成，结果不会完全一样（除非固定 seed，但改分辨率后 seed 的复现性没有保证）。

3.5 场景成熟度分级

分级	具体做法	说明
开箱即用	OpenRouter / ComfyUI / Picsart 调 API	不用等 HeyGen 账号审批，注册平台即可
需要一点配置	HeyGen 官方 API	要付费 key、要处理异步轮询、要算清计费
需要一点配置	Ref2V + 参考素材	要理解标签编号、要剪 5 秒参考视频
仅概念验证	网页版	官方说「coming soon」，现在没有
仅概念验证	长屏文字生成	官方明确列为弱项
不建议使用	精细操作教学（手部动作）	官方明确列为最不可靠
不建议使用	需要配乐的成片	音乐分项偏好率只有 45%

3.6 不适用或需谨慎的场景

第一，需要精确动作的教学视频。 官方原文：「least reliable on long on-screen text, soft organic motion such as petals, paper and hair, and close hand work like assembling or operating equipment.」三个弱项里，「组装或操作设备」正好是培训视频的核心内容。

第二，需要成片的广告片。 5–15 秒的片段长度意味着你要做 30 秒广告得拼三段，而三段之间的连续性没有保证。它是素材工具，不是成片工具。

第三，需要网页版的团队。 现在只有 API。非技术团队上手门槛比想象中高。

3.7 场景适配表

场景	适合谁	触发条件	用到的能力	需要什么准备	成熟度	主要风险
产品演示片	企业市场部	产品多、更新快	Ref2V + 参考图	清晰产品图、长提示词	需配置	保真是概率不是保证
培训与 SOP	HR、培训	流程要随产品更新	Ref2V + I2V	分步骤提示词	需配置	手部动作弱，可能误导
电商素材变体	电商、投放	一产品多素材	Ref2V	产品图、场景描述	需配置	标签 logo 要人眼核对
社媒草稿批量	内容团队	需要大量试	T2V 480p	批量调用脚本	开箱可试	480p 看不清细节
房产走位	中介、房产	房源要视频	I2V	一张首帧图	需配置	长镜头质量未知
需要配乐的成片	—	—	—	—	不建议	音乐分项 45%
网页版直接用	—	—	—	—	不适用	尚未上线

---