HeyGen Avatar 6 چیست؟ معرفی، آزمون‌ها، قیمت و آموزش پرامپت

HeyGen Avatar 6 از یک عکس ویدیوی آدم سخنگو با ژست‌های هماهنگ می‌سازد. ویژگی‌ها، مقایسه با رقبا، قیمت و ۴ پرامپت آماده را بخوانید.

HeyGen Avatar 6 چیست؟ معرفی، آزمون‌ها، قیمت و آموزش پرامپت

HeyGen Avatar 6 تازه‌ترین مدل آواتار سخنگوی شرکت HeyGen است: از یک عکس (و در صورت دلخواه یک ضبط کوتاه) ویدیویی می‌سازد که آدم در آن متن شما را با حرکت دست و صورت اجرا می‌کند. این مدل ۲۶ آبان ۱۴۰۵ (۱۷ نوامبر ۲۰۲۶) عرضه شد و ادعای اصلی‌اش این است که ژست‌ها را از معنی جمله‌ها درمی‌آورد، نه از چند حرکت تکراری.

در این مقاله می‌خوانید این مدل چه کار می‌کند، با رقبا چه فرقی دارد، کجا ضعف دارد و چطور می‌شود پرامپت خوبی برایش نوشت. همه‌ی عددها از صفحه‌ی رسمی مدل و گزارش فنی خود HeyGen آمده و آزمون‌ها را خود سازنده انجام داده است؛ پس آن‌ها را «ادعای سازنده» بدانید، نه حکم مستقل.

HeyGen Avatar 6 چه کارهایی می‌کند؟

این مدل ویدیوی «آدمِ سخنگو» می‌سازد: شما متن یا فایل صوتی می‌دهید و آواتار آن را با لب‌خوانی و حرکت بدن اجرا می‌کند. HeyGen پنج تغییر اصلی را برجسته کرده است.

  • ژست‌های هماهنگ با متن: مدل معنی جمله را می‌خواند و برای «اشاره به چپ»، «شمردن با انگشت» یا «دست روی قلب» حرکت مناسب می‌گذارد. نسخه‌ی قبلی (Avatar V) به گفته‌ی خود شرکت همان چند حرکت را دوباره پخش می‌کرد.
  • کیفیت 2K: هر فریم در اندازه‌ی ۲۸۸۰×۱۶۲۰ ساخته می‌شود و خروجی را می‌شود با 1080p یا 2K گرفت.
  • طول بدون سقف ثابت: در گزارش فنی، نمونه‌هایی ۲۵ تا ۲۸ دقیقه‌ای هر کدام در یک بار تولید پیوسته از یک فایل صوتی ساخته شده‌اند و طول ویدیو از طول صدا پیروی می‌کند.
  • دو آواتار در یک کادر: می‌توانید هر دو سمت یک گفت‌وگو را بنویسید و یک پادکست «مجری و مهمان» بگیرید.
  • ویرایش کلمه‌ای: فقط کلمه‌های تغییرکرده دوباره ساخته می‌شوند و بقیه‌ی ضبط دست نمی‌خورد.

دو نسخه دارد: Avatar 6 Quality برای بهترین کیفیت و Avatar 6 Turbo برای سرعت بیشتر. نام این‌ها در API به‌صورت heygen-avatar-6 و heygen-avatar-6-turbo آمده است.

کاربرد برای کاربر ایرانی

مدل آواتار برای وقتی مناسب است که می‌خواهید یک «چهره‌ی ثابت» پای حرف‌هایتان باشد، بدون اینکه هر بار جلوی دوربین بروید. چند مثال:

  • اینستاگرام و ریلز: پزشک، مشاور یا مربی که هر هفته چند ویدیوی کوتاه آموزشی می‌خواهد.
  • فروشگاه آنلاین: معرفی محصول با یک مجری ثابت، با ژست‌هایی مثل اشاره به محصول.
  • آموزش و دوره: درس‌های چند دقیقه‌ای با یک استاد ثابت و متن قابل ویرایش.
  • پادکست تصویری: گفت‌وگوی دو نفره از روی یک متن.

یک نکته‌ی مهم: بنا بر اعلام HeyGen، ساختن آواتار از یک آدم واقعی فقط با رضایت خود او مجاز است. اگر ویدیو را برای کسب‌وکار خودتان می‌سازید، چهره‌ی خودتان یا کسی را بگذارید که صریح اجازه داده است.

چه فرقی با مدل‌های قبلی و رقبا دارد؟

مقایسه‌ی زیر از گزارش فنی HeyGen است. نمره‌ها را ارزیابان بیرونی داده‌اند، ولی آزمون را خود شرکت طراحی کرده است.

مدلنمره‌ی کلی (از عکس)برتری Avatar 6 در مقایسه‌ی رو در رو
Avatar 6۴٫۰۰—
VEED Fabric 1.0۳٫۶۸۶۹٫۶٪
OmniHuman v2۳٫۳۲۸۰٫۸٪
Hedra Character 3۳٫۱۶۸۸٫۲٪
D-ID V2 Talks۱٫۴۸۹۷٫۹٪

نتیجه‌ی جدول: بیشترین فاصله با ابزارهای قدیمی‌تر است؛ نزدیک‌ترین رقیب VEED Fabric است و حتی آنجا برتری حدود ۷۰٪ ادعا شده است.

در برابر مدل‌های عمومی ویدیو هم آزمون گرفته‌اند. وقتی ارزیاب‌ها آدمِ داخل ویدیو را نمی‌شناختند، در مقایسه‌ی رو در رو با ورودی عکس، Avatar 6 در برابر Seedance 2.5 حدود ۵۵٪ و در برابر Kling 4.0 حدود ۶۶٪ ترجیح گرفته است. اگر خود آدمِ ویدیو قضاوت می‌کرد، برتری بیشتر بود؛ یعنی بخشی از مزیت به «شبیه‌بودن به خودِ آدم» برمی‌گردد. برای آشنایی با مدل‌های ویدیوی رقیب می‌توانید بررسی Seedance 2.5 Flash و بررسی Kling 4.0 Flash را بخوانید.

عدد مشهور «۸۴٫۴٪ غیرقابل‌تشخیص از ضبط واقعی» را هم درست بخوانید: ارزیاب‌ها در مقایسه‌ی کنار هم ۴۲٫۲٪ از مواقع آواتار را «واقعی» انتخاب کرده‌اند و ۵۰٪ یعنی تشخیص ناممکن؛ ۸۴٫۴٪ دو برابر همین ۴۲٫۲٪ است. خود HeyGen هم این روش محاسبه را در صفحه‌اش توضیح داده است. نسخه‌ی قبلی (Avatar V) در همین معیار ۴۴٫۴٪ داشت.

اگر دنبال مدل‌های مشابه هستید، بررسی OmniHuman 2 (آواتار از عکس) و دوبلاژ VEED (تغییر زبان ویدیو) هم مفیدند.

نقطه‌های ضعف و محدودیت‌ها

  • نتایج آزمون از خود سازنده است. گزارش مستقل هنوز ندیده‌ایم. فقط رتبه‌ی اول در Avatar Arena از مؤسسه‌ی New Measure را گزارش‌های خبری آورده‌اند و آن آزمون هم روی کلیپ‌های کوتاه بوده است.
  • برای بهترین نتیجه ضبط لازم است. برای آواتار خودتان باید عکس را تأیید هویت کنید و دست‌کم ۱۵ ثانیه از خودتان ضبط کنید (صفحه‌ی HeyGen در یک جا ۳۰ ثانیه ذکر کرده است؛ شرط دقیق را هنگام ساخت ببینید).
  • حقوق و رضایت. ویدیوی واقع‌گرایانه از آدم‌های واقعی در پلتفرم خود HeyGen و با رضایت صریح ساخته می‌شود؛ ابزارهای دیگر فقط آواتار عکس‌محور و مجازی می‌سازند.
  • هزینه. ویدیوی اول رایگان است و بعد با اعتبار حساب می‌شود؛ پلن‌ها طبق اعلام HeyGen از ماهی ۲۹ دلار برای ۶۰۰ اعتبار شروع می‌شود (آخرین بررسی: آبان ۱۴۰۵).
  • زبان فارسی. HeyGen برای فارسی در این مدل عدد یا آزمونی منتشر نکرده است؛ کیفیت لب‌خوانی فارسی را باید خودتان با یک متن کوتاه بسنجید.

چطور HeyGen Avatar 6 را امتحان کنم؟

راه رسمی، حساب HeyGen است؛ اگر سرویس برای شما در دسترس نیست یا پرداختش مشکل دارد، راه رسمی دیگری نداریم و راه دورزدن پیشنهاد نمی‌کنیم. HeyGen سه گام ساده را معرفی می‌کند:

  1. عکس بارگذاری کنید، تأیید هویت بدهید و (برای آواتار خودتان) چند ثانیه ضبط کنید.
  2. متن را بنویسید، فایل صوتی بدهید یا بگذارید HeyGen از روی یک پرامپت متن بنویسد.
  3. صدا، سبک و سرعت را بسنجید و ویدیو را بسازید.

در هوش‌نو این مدل در فهرست مدل‌های منوی بالا دیده نشد؛ پس آن را «در دسترس» نمی‌نامیم. اگر می‌خواهید همین الان ویدیوی گویا بسازید، در ابزار ساخت ویدیو با هوش مصنوعی مدل‌های ویدیوی دیگر را امتحان کنید و برای صدای فارسی از گویندگی فارسی کمک بگیرید. قیمت دقیق پیش از ساخت، زیر دکمه‌ی ساختن نشان داده می‌شود.

نوشتن پرامپت خوب برای Avatar 6

در گزارش فنی، حرکت را کنار کلمه‌ی مربوطش می‌نویسند: «روی کلمه‌ی X این حرکت را انجام بده». چند نمونه‌ی الهام‌گرفته از همین الگو:

Friendly pharmacist. On "Hello", give a thumbs up. On "the counter on the left", point to the side with your index finger. On "always happy to chat", place your right hand on your heart.
Online shop host, calm and confident. When saying the product name, hold the box toward the camera. On "free delivery", open both hands wide.
مجری آموزشی، لحن آرام. روی «مرحله‌ی اول» با انگشت یک را نشان بده و روی «مرحله‌ی دوم» دو را؛ در پایان لبخند بزن و سر را کمی تکان بده.
Warm clinic host. On "Welcome", open both arms wide, palms up. On "Thanks for trusting us", place your right hand on your heart.

چند نکته: حرکت‌ها را کم و مشخص بنویسید، برای هر جمله بیش از یک ژست نخواهید و متن را به جمله‌های کوتاه بشکنید. فرمول مفید: «نقش و لحن + روی فلان کلمه فلان حرکت».

سؤالات متداول

HeyGen Avatar 6 چیست؟

مدل آواتار سخنگوی HeyGen که از یک عکس و یک متن، ویدیوی آدم سخنگو با ژست‌های هماهنگ با متن می‌سازد. ۲۶ آبان ۱۴۰۵ عرضه شد.

با Avatar V چه فرقی دارد؟

طبق گفته‌ی HeyGen، Avatar V شبیه شما بود ولی حرکت‌ها را تکرار می‌کرد؛ Avatar 6 حرکت را از معنی متن درمی‌آورد و لب‌خوانی‌اش بهتر شده است.

خروجی چه کیفیتی دارد؟

هر فریم با کیفیت 2K ساخته می‌شود و خروجی را می‌شود با 1080p یا 2K گرفت.

رایگان است؟

ویدیوی اول رایگان است و نیازی به کارت بانکی ندارد؛ بعد از آن اعتبار مصرف می‌شود و پلن‌ها از ماهی ۲۹ دلار شروع می‌شوند.

می‌شود از چهره‌ی دیگران استفاده کرد؟

خیر، فقط با رضایت صریح خودِ فرد. ساخت آواتار از کسی بدون اجازه‌اش طبق قوانین HeyGen ممنوع است.

منبع‌ها

برای دیدن مدل‌های دیگر هوش مصنوعی هم به بررسی Ideogram 4.6 سر بزنید.

نویسنده نعیم حشم‌بان بنیان‌گذار و سردبیرِ هوش نو

نعیم حشم‌بان بنیان‌گذارِ هوش نو است و هر روز مدل‌های تازه‌ی هوش مصنوعی را امتحان می‌کند تا آموزش و بررسیِ ساده و دقیق به زبانِ فارسی بنویسد.