室谷代表取締役HeyGenが初の汎用動画生成モデル「HeyGen Video 1.0」を発表しました。これまでアバター動画の会社だったHeyGenが、アバター以外の画まで作る方向に踏み出した転換点なんですよね。
テキトー教師DotAI 認定講師これは単に新モデルが出たという話じゃないんですよ。HeyGen Video 1.0は、HeyGenが発表した初の汎用動画モデルで、テキストや画像、参照素材から音声付きの動画を生成できるモデルです。
アバター企業が「映像全体」に手を広げたのがポイントですね。
アバター企業が「映像全体」に手を広げたのがポイントですね。
室谷代表取締役公式スレッドでも「HeyGenは常に“自分をカメラに収める”こと、最高品質のアバターを作ることだった。今度はVideo 1.0がショットの残りを担う」と書かれていて、商品のクローズアップ、B-roll、カットアウェイまでカバーすると。
テキトー教師DotAI 認定講師つまり、これまでアバターの人物カットはHeyGen、商品カットや情景カットは別撮り・別調達だったのが、同じモデルで一気通貫になるという整理ですね。
HeyGen Video 1.0とは？アバター企業が初の汎用動画モデルを発表
HeyGen Video 1.0 基本情報
モデルID / エンドポイント
モデルIDは「heygen-video-1」、エンドポイントは POST /v3/models/videos
3つのモード
テキスト・画像・参照の3種類
尺と解像度
尺は5〜15秒、解像度は480p・768p・1080p・2Kの4段階
音声を同一生成で出力
セリフ・環境音・効果音まで1回の生成で返る（Generate a whole scene with its own sound）
ベースモデル
MiniMax H3をHeyGenがポストトレーニングしたモデル（a post-trained model on MiniMax H3）
会社規模
ARR2億ドル、3,000万ユーザー、Fortune 100の85%採用
室谷代表取締役まず基本情報を整理したいんですけど、公式ページによるとモデルIDは「heygen-video-1」で、エンドポイントはPOST /v3/models/videos。モードはテキスト、画像、参照の3種類で、尺は5〜15秒、解像度は480p・768p・1080p・2Kの4段階です。
テキトー教師DotAI 認定講師音声が同一生成コール内で出てくるのが大きいですよね。セリフ、環境音、効果音まで含めて1回の生成で返ってくると。
公式ページにも「Generate a whole scene with its own sound」とあります。
公式ページにも「Generate a whole scene with its own sound」とあります。
室谷代表取締役ベースはMiniMax H3で、HeyGenがポストトレーニングしたモデルなんですよね。Design Arenaの引用投稿でも「a post-trained model on MiniMax H3」と明記されています。
ゼロから作ったのではなく、基盤モデルに追加学習して仕上げたという位置づけです。
ゼロから作ったのではなく、基盤モデルに追加学習して仕上げたという位置づけです。
テキトー教師DotAI 認定講師そこは受講生さんからもよく聞かれるところで、「自社モデル」と「自社で追加学習したモデル」は意味が違うんですよ。HeyGenは後者を選んだ、と。
品質と速度を両立させる現実的な選択に見えます。
品質と速度を両立させる現実的な選択に見えます。
室谷代表取締役ちなみにHeyGenの会社規模も公式サイトに出ていて、ARR2億ドル、3,000万ユーザー、Fortune 100の85%採用と公表されています。その規模の会社が汎用動画に参入するインパクトは小さくないですよね。
HeyGen Video 1.0でできること——テキスト・画像・参照素材から音声付き動画を作る
HeyGen Video 1.0の3つの生成モード
T2V（テキストから動画）
- テキストプロンプトから動画を生成
- プロンプト欄は16,000文字まで
- 公式作例は2,000文字超でカメラ・質感を指定
I2V（画像から動画）
- 手持ちの画像から動画を生成
- プレイグラウンドのモード切替はImage
室谷代表取締役できることを整理すると、T2V（テキストから動画）、I2V（画像から動画）、Ref2V（参照素材から動画）の3類型です。Ref2Vは手持ちの参照動画や画像の人物・画風を反映させる使い方ですね。
テキトー教師DotAI 認定講師公式ページのプレイグラウンドを見ると、モード切替がText / Image / Referenceの3つになっていて、プロンプト欄は16,000文字まで、Durationは5秒から、Resolutionは480p/768p/1080p/2K、Aspect ratioは16:9、EnhancementにTurbo、QualityにOffというスイッチがあります。
室谷代表取締役プロンプトが16,000文字まで入るのは実務的にかなり効きますよね。公式の作例を見ると、2,000文字超のプロンプトで「ARRI Alexa 35でアナモルフィックレンズ、180度シャッター、自然なモーションブラー、フィルムグレイン、CGっぽさゼロ」みたいにカメラと質感を指定しているんですよ。
テキトー教師DotAI 認定講師まさに「レンズを名指しすると仕事をする」という作例ですね。ボディ、焦点距離、絞りでルックが決まるという説明が公式にあります。
プロンプト例として「Near silence first, then each sound of the arrival, in order」のように音の順番まで指定する例も載っています。
プロンプト例として「Near silence first, then each sound of the arrival, in order」のように音の順番まで指定する例も載っています。
室谷代表取締役音が同じプロンプトから出てくるのが面白いところで、公式作例には「静かなホーム、そのあとに列車」という音付きの例があるんですよね。ホーン、レールの継ぎ目を叩く車輪、空気の流れ、ブレーキ音まで順番に指定すると。
テキトー教師DotAI 認定講師映像と音を別々に作って合わせる工程が消えるのは、制作フローとして大きいです。B-rollやカットアウェイを量産する用途だと、この一体生成は効きますね。
室谷代表取締役あと公式の作例は業種別も充実していて、カフェ、製薬ラボ、不動産、ホスピタリティ、ファッション、フィットネス、自動車、旅行、レストランと、1業種1アイデアで並べています。マーケの現場だと、この粒度のカットが欲しいんですよね。
テキトー教師DotAI 認定講師プロンプト側で「ロゴなし、文字なし、看板なし、手は出さない、音楽なし」と禁止事項を細かく書いているのも実務的です。生成AIあるあるの「余計なものを足す」問題への対処法が作例から読み取れます。
HeyGen Video 1.0の使い方・始め方——APIと対応プラットフォーム
HeyGen Video 1.0の使い方・始め方
プレイグラウンドで試す
公式ページは「Sign in to run」。HeyGenアカウントにサインインして画面から試せる
APIキーと残高
APIキーを作成して残高を入れ、利用状況の追跡も同じページから行う
API呼び出し
POST /v3/models/videos に model: "heygen-video-1" を指定。モード・尺・解像度をパラメータで渡す
対応プラットフォーム
HeyGen APIが本線。加えてOpenRouter、Runware、ComfyUIでも利用可能
ChatGPT連携・MCP
「HeyGen is now in ChatGPT」のプラグイン案内とMCPドキュメントを用意
同じ基盤のモデル群
Voice 1($7.50/100万文字〜)、Image 1($0.28/枚)、Avatar V($0.12/秒〜)、Avatar IV($0.0385/秒〜)、Avatar III($0.01/秒〜)と組み合わせ可能
室谷代表取締役使い方なんですけど、公式ページのプレイグラウンドは「Sign in to run」なので、HeyGenアカウントにサインインして画面から試す形になります。APIキーを作って残高を入れて、利用状況を追う流れも同じページから入れます。
テキトー教師DotAI 認定講師開発者向けにはHeyGen APIが本線で、それに加えてOpenRouter、Runware、ComfyUIでも使えると公式に書かれています。あとHeyGenのサイトを見ると「HeyGen is now in ChatGPT」とChatGPT向けプラグインの案内があり、MCPのドキュメントも用意されています。
室谷代表取締役既存のワークフローに差し込める場所が多いのは助かりますよね。MYUUUでも動画生成はパイプラインの一部なので、ComfyUIで回せるのは検討しやすいです。
テキトー教師DotAI 認定講師呼び出し方はシンプルで、POST /v3/models/videosにmodel: "heygen-video-1"を指定する形です。モード、尺、解像度をパラメータで渡すと。
室谷代表取締役ちなみにHeyGen側のモデル群を見ると、HeyGen Voice 1が$7.50/100万文字から、HeyGen Image 1が$0.28/枚、Avatar Vが$0.12/秒、Avatar IVが$0.0385/秒から、Avatar IIIが$0.01/秒からと並んでいます。Video 1.0はこの中のVideoグループに入るわけですね。
テキトー教師DotAI 認定講師音声モデルや画像モデルも同じプラットフォームに揃っているので、動画だけ単体で使うより、組み合わせ前提で設計したほうが力を発揮しそうです。
室谷代表取締役既存のHeyGen製品との関係でいうと、ChatGPT連携まわりの整理はHeyGen Video 1とは？MCPでChatGPT・Claudeから動画生成でも触れているので、あわせて読むと全体像がつかみやすいと思います。
HeyGen Video 1.0の料金——秒単価と50%オフの期間限定キャンペーン
室谷代表取締役ここが今回いちばん実務に効くところなんですけど、料金が秒単価なんですよね。公式ページの表だと、Text to Videoの480pが$0.01/秒、768pが$0.018/秒、1080pまたは2Kが$0.05/秒。
Image to Videoも同じレートです。
Image to Videoも同じレートです。
テキトー教師DotAI 認定講師Reference to Videoは少し高くて、480pが$0.035/秒、768pが$0.05/秒、1080pまたは2Kが$0.09/秒ですね。
室谷代表取締役で、これが10月まで50%オフのローンチ価格で、表示されているレートの倍が通常価格だと。つまり480pのT2Vなら通常$0.02/秒のところが$0.01/秒ということです。
テキトー教師DotAI 認定講師整理するとこうです。
| モード | 480p | 768p | 1080p / 2K |
|---|---|---|---|
| Text to Video | $0.01/秒 | $0.018/秒 | $0.05/秒 |
| Image to Video | $0.01/秒 | $0.018/秒 | $0.05/秒 |
| Reference to Video | $0.035/秒 | $0.05/秒 | $0.09/秒 |
テキトー教師DotAI 認定講師注意点として、Reference to Videoは出力秒数に加えて、参照動画1本につき最大5秒ぶんが課金対象になります。参照は最大3本まで、画像参照は1リクエストにつき最初の2枚を超えた分が課金、音声参照は無料と公式に書かれています。
室谷代表取締役参照動画を長く渡すと請求が膨らむので、そこは設計で抑えたいところですね。あとプレイグラウンドの見積もり表示は、5秒×$0.018/秒で$0.09という計算になっていました。
テキトー教師DotAI 認定講師ビジネス目線だと、公式が768p・音声付きの秒単価で他モデルと並べていて、HeyGenが$0.03/秒、H3 Max Turboが$0.04/秒、H3 Maxが$0.08/秒、H3 Max balancedが$0.08/秒、Kling 3.0 Proが$0.168/秒、Seedance 2.0が$0.303/秒、Veo 3.1が$0.40/秒という比較を出しています。これはローンチプロモ前の通常価格ベースです。
室谷代表取締役制作コストの議論でいうと、10秒のクリップを何本も試作して選ぶワークフローが現実的になる価格帯ですよね。研修動画や製品デモで、撮り直しのコストを考えたらかなり違います。
テキトー教師DotAI 認定講師プラットフォーム側のプランはFreeが$0/月で月3本・1分まで、Creatorが$29/月で600クレジット、Proが$49/月で1,000クレジット、Businessが$149/月で1,500クレジット、Enterpriseは要問い合わせという構成です。Freeプランでもテキストからの動画生成ができると公式FAQに書かれています。
室谷代表取締役無料で触れる入口があるのは大きいですよね。ただしVideo 1.0のAPI従量課金と、この月額プランのクレジットがどう対応するかは、現時点では明らかにされていません。
そこは公式の案内を確認したほうがいいです。
そこは公式の案内を確認したほうがいいです。
従来のHeyGenアバター動画との違いと使い分け
室谷代表取締役ここが今回の発表の本質で、HeyGenはこれまでAvatar VやAvatar IVで人物の一貫性とリップシンクに注力してきたわけですよね。公式サイトでも「Character consistency is what separates a useful avatar from a gimmick」と書かれていて、同じ顔、同じ微表情、同じ存在感を30秒でも10分でも維持すると。
テキトー教師DotAI 認定講師175以上の言語と方言で音素レベルのリップシンク、と。アバターは「語る人」を作る技術で、Video 1.0は「その周りの画」を作る技術という分担ですね。
室谷代表取締役だから使い分けはシンプルで、顔出しで説明するパートはアバター、商品カットや情景カット、B-rollはVideo 1.0という整理になります。公式スレッドの言い方だと「ショットの残りをVideo 1.0が担う」と。
テキトー教師DotAI 認定講師従来の課題はそこでしたよね。人物以外のカットは別途撮影や調達が必要で、制作コストと手間が残っていた。
HeyGenは「制作レベルのコストをかけずに制作品質の動画を」という事業者向けの課題を掲げています。
HeyGenは「制作レベルのコストをかけずに制作品質の動画を」という事業者向けの課題を掲げています。
室谷代表取締役MYUUUでも動画制作は、顔出しパートと商品カットで発注先が分かれることが多いんですよ。それが1つのモデル群で揃うと、トーンを合わせる手間が減るんですよね。
テキトー教師DotAI 認定講師ただし、アバターの品質とVideo 1.0の品質は別物として評価する必要があります。アバター側はAvatar Vの実績がありますが、Video 1.0は出たばかりのモデルですから、自社の用途で試してから本採用が基本ですね。
Design Arenaで3位——競合モデルと比べた強みと生成速度
室谷代表取締役客観指標としてDesign Arenaの話がありまして、HeyGen Video 1.0（1080p、ultraquality）がVideoとImage to Videoの両リーダーボードで3位、動画ラボ全体で2位になったと。
テキトー教師DotAI 認定講師引用投稿によると、VideoではGemini Omni Flashのすぐ後ろ、Wan 3.0の前に位置し、Image to VideoではMiniMax H3 Maxのすぐ後ろで、71%のモデルより速く生成するとされています。
室谷代表取締役公式ページには品質のEloも載っていて、HeyGenを1000に正規化した比較で、Seedance 2.0が955、H3 Maxが952、H3 Max Turboが920、H3 Max balancedが860、Kling 3.0 Proが857、Veo 3.1が744という数字が出ています。
テキトー教師DotAI 認定講師速度は10秒のImage to Videoクリップ1本の推論時間で、HeyGenが3.7秒、H3 Max Turboが4.1秒、H3 Maxが8.3秒と。キャプショナー時間はモードによって変わるので除外した数字だと注記されています。
室谷代表取締役ブラインド比較も出ていて、650票・範囲49〜62%で55.8%がHeyGenを選好したと。公式が自ら出している数字なので、そこは前提を置いて読むべきですけど、方向性としては品質と価格のバランスを狙っているのが分かります。
テキトー教師DotAI 認定講師公式の言い方も「ブラインドの並列比較で、トップモデルと並ぶ性能を秒単価の何分の一かで」という表現なんですよ。断定的な優劣ではなく、価格対効果の主張になっています。
室谷代表取締役だからこそ、比較の数字は公式が出した条件（768p・音声付き・プロモ前の通常価格）を外して読まないほうがいいですよね。解像度やモードが変われば単価も品質も変わりますから。
テキトー教師DotAI 認定講師そういう意味では、Design Arenaの順位は「同条件での相対評価」として参考にしつつ、自社のユースケースで試すのが結局いちばん早いです。特にB-rollは好みが出ますからね。
室谷代表取締役生成AIのモデル選び全般に言えることですけど、指標は入口で、決め手は手元のワークフローとの相性なんですよね。モデルの歴史を追うならChatGPTはいつから？リリースの歴史・モデル進化・料金プラン・最新動向を完全解説【2026年最新】のような整理も参考になります。
よくある質問
室谷代表取締役ここからは、よく聞かれる点をまとめておきます。
テキトー教師DotAI 認定講師まず「HeyGen Video 1.0はいつから使えるのか」。これは公式ページで「live now」と案内されていて、HeyGen APIとOpenRouter、Runware、ComfyUIで利用可能と書かれています。
室谷代表取締役「無料で試せるか」については、HeyGenのプランにFree（$0/月、月3本・1分まで）があり、公式FAQでもテキストからの動画生成ができると書かれています。ただしVideo 1.0のAPI従量課金とFreeプランの関係は現時点では明らかにされていません。
テキトー教師DotAI 認定講師「日本から使えるか」については、公式ページに地域制限の記載は見当たらないので、現時点では明らかにされていません。料金はドル建てでの表示です。
室谷代表取締役「音声は別で作るのか」という質問も来そうですが、これは同一生成コール内でセリフ・環境音・効果音まで出てきます。プロンプトで音の順番まで指定できるのが公式作例の特徴です。
テキトー教師DotAI 認定講師「尺はどれくらいか」は5〜15秒です。長い動画はショットを分けて生成し、つなぐ前提ですね。
解像度は480pから2Kまで選べます。
解像度は480pから2Kまで選べます。
室谷代表取締役「アバター動画はもう不要になるのか」というのも聞かれそうですが、そうではなくて、人物の一貫性とリップシンクはAvatar V側の強みとして残ります。役割分担が変わるという理解が正しいです。
テキトー教師DotAI 認定講師「参照動画を使うと料金はどうなるか」は、出力秒数に加えて参照動画1本につき最大5秒ぶんが加算されます。参照は最大3本、画像参照は最初の2枚を超えた分が課金、音声参照は無料です。
室谷代表取締役「プロンプトはどれくらい書けばいいのか」については、公式の作例が2,000文字超の詳細指定を載せているので、カメラ、レンズ、光、質感、禁止事項まで書くのが現実的な使い方なんだと思います。16,000文字まで入りますから、余裕はあります。
テキトー教師DotAI 認定講師最後に「どんな用途に向くか」ですが、公式が挙げているのは製品デモ、研修、オンボーディング、物件のウォークスルーです。マーケのB-rollやカットアウェイも同じ枠ですね。
室谷代表取締役まとめると、HeyGen Video 1.0はアバター企業が映像全体に広げた最初の一手で、音声込み・秒単価・複数プラットフォーム対応という実務寄りの設計なんですよね。10月までの50%オフのうちに、自社のユースケースで試しておくのがいいと思います。
テキトー教師DotAI 認定講師そうですね。品質の数字は公式の条件付きの主張なので、そこを踏まえて自分の目で確かめる。
それがいちばん堅い進め方だと思います。
それがいちばん堅い進め方だと思います。
