做数字人的公司，边界正在往外扩。HeyGen过去几年最被熟悉的产品是虚拟形象，用户上传一段视频训练出分身，输入文稿让它替自己出镜。10月21日至23日这几天，这家公司连续交出了两份榜单成绩：首个通用视频模型Video 1在被引用最多的第三方盲测平台Artificial Analysis的文生视频榜上排到第一，语音模型Voice Turbo以1202的Elo登顶受控语音合成竞技场。据my2cents与HeadsUpAI的报道，两款模型同步上架fal与Versely等平台，单价压到每秒0.02美元起。
先看产品定位的差别。HeyGen此前的主力是Avatar系列，逻辑是给定一个人、一段稿子，让这个人把话说完；Video 1解决的是另一类问题，给定一句描述，把整个场景生成出来，包括主体、环境、光线、镜头运动与声音。官方在说明里把这两者的关系讲得很清楚，Avatar负责让已有的形象说已有的稿子，Video 1负责创造还不存在的东西，两者可以接在同一条片子里，开场用生成的场景铺氛围，中间交给分身讲信息，最后切回产品镜头。
这个转向的动因不难推测。数字人赛道的天花板受限于形态，能做的内容就是口播、培训、客服、营销短片，客户预算有限且同质化严重；而通用视频模型面向的是所有需要视频的人，市场大一个量级。更实际的是，客户在同一个项目里既要分身也要场景，把两块能力握在手里，就能吃掉整条预算而不是只做一个环节。代价是要和一批更强的对手正面竞争，包括字节、快手、谷歌与一批创业公司。
HeyGen在产品说明里给出的核心论点，是多数AI视频由零件拼装而成：一个模型出画面，另一个模型配音，再用口型同步把它们缝起来，缺的背景音从音效库里找。这样做的结果是音画不同源，房间混响对不上房间，脚步声比动作晚半拍。Video 1的思路是每一次生成都自带音轨，对白、环境声与音效随画面一起产生，没有单独的配音环节，也没有单独的口型对齐步骤。官方举的例子是一列火车驶入空站台，输出顺序是先是近乎寂静，然后是汽笛、车轮压过钢轨接缝、空气涌动、最后是刹车。
规格上它能覆盖的场景不算宽。时长5到15秒，分辨率480p、768p、1080p或2K，24帧MP4配立体声，画幅从21:9到9:16。三种调用方式：文生视频、图生视频，以及参考生视频，参考模式最多接受9张图、3段视频与3段音频合计12项，用户可以在提示词里直接点名这些素材。提示词上限32000字符，官方建议几百到几千字符的提示词效果更好。设置种子后同一提示词会返回同一段视频，这个特性对需要逐句微调的团队很实用，改一个从句就能对比差异，而不必每次重新抽卡。
榜单第一是宣传口径，价格表才是竞争手段。HeyGen的定价说明显示，11月起文生视频与图生视频在480p为每秒0.02美元、768p为0.03美元，参考生视频为0.04与0.06美元，1080p与2K按768p的三倍计费；10月底之前有50%的首发折扣。第三方平台fal的报价与之一致，480p与768p为每秒0.02美元，1080p与2K为0.06美元，一段10秒的768p片段是0.20美元。作为对照，同期上架的FLUX 3 Max在720p的常规价是每秒0.17美元，字节Seedance 2.5在fal上720p约每秒0.47美元。
价差放在一起看，策略就很清楚了。HeyGen没有选择在质量上做绝对领先，而是把价格压到同类产品的十分之一量级，同时把分辨率做到2K、把音轨内置。这套组合针对的是高频、短时长、预算敏感的商用内容，比如产品演示、品牌短片、培训素材，这些场景不需要电影级质感，但需要极低的单条成本与足够快的周转。它同时也解释了两款模型一起发布的原因，Video 1负责画面，Voice Turbo负责声音，Voice支持39种语言与即时声音克隆，输出WAV便于直接进剪辑，每百万字符4美元的定价是该榜单上最低的一档。整套组合的意图是把"配一条带人声的短视频"这件事的边际成本压到接近零。
必要的审慎也要说清楚。HeyGen声称在与Seedance 2.5、Seedance 2.0、H3 Max与Kling 3.0的盲测对比中质量排名第一，依据是竞技场查询集上的4800次盲投，但公司没有说明这场对比由谁主持，也没有引用独立测试，这些结论在被外部用户大规模验证之前，只能算厂商描述。另一个事实是Video 1建立在中国厂商MiniMax的H3模型之上，由HeyGen做后训练，这一信息由第三方平台在技术说明中给出，意味着它的能力上限与原模型高度相关，差异主要来自后训练侧重的是可控性而非纯粹的画面奇观。
更重要的是产品可用性的边界。5到15秒的片段长度决定了它无法独立支撑一条完整叙事片，必须靠多次生成再拼接；参考模式对素材质量敏感，上传的产品图如果本身光影不统一，生成结果的一致性会打折；声音同源虽然解决了对齐问题，但也意味着改一句台词就要重新生成整段，而重新生成会连带改变画面。这些都是真实工作流里会遇到的摩擦。对国内团队而言，实际可用的判断标准很简单：用它做十条同一产品的短视频，看品牌名是否每次都写对、看人物是否每次都长得一样、看音画是否每次都同步，三项都稳，才值得进入批量生产。