HeyGen 上线 Audio to Video：一段语音加一张图，一次 API 调用出视频
HeyGen 推出 Audio to Video 功能：不用写脚本，直接口述，一段语音加一张图片经一次 API 调用即可生成视频，还支持批量生产。
AI 视频公司 HeyGen 上线了 Audio to Video 功能，把数字人视频的常规流程反了过来：不再是打字写脚本、让合成音来念，而是创作者直接开口说。该公司 7 月 22 日深夜在 X 上发布这一功能，卖点概括成三句话——"你的声音加一张图，就是一条视频"；一次 API 调用完成转换；同一张图配上上百条不同旁白，批量出片。
语音优先，API 优先
输入被刻意压到最简：一段音频加一张静态图片，就能生成会说话的视频，口型同步和语音驱动的动画由 HeyGen 的模型自动完成。这砍掉了数字人工具沿袭至今的两道工序——写脚本、调 TTS 音色——同时保留了真人录音里的节奏、重音和个人风格，这些恰恰是合成语音至今难以复刻的。HeyGen 的开发者文档中已列出处于 Beta 阶段的 Audio to Video API；此前其视频生成接口早已支持用音频文件为预置数字人配音，新功能则把范围扩展到任意图片、一次调用直出。
批量能力则明确瞄准程序化场景。HeyGen 给出的示例是"一张图、一百条旁白"，对应的正是本地化配音、个性化营销触达、广告素材 A/B 测试这类画面不变、只换声轨的流水线需求。
为什么重要
这次发布延续了 AI 视频从创作工具向基础设施迁移的趋势。HeyGen 一直在开发者平台上与 Synthesia、D-ID 等对手较劲，而"语音加图片、一次调用"这种原子化接口，注定会被嵌进 CRM、在线教育、营销自动化等其他产品里，而不只是留在剪辑器中。它同时进一步降低了门槛：会对着手机说话，就能规模化生成播报式视频——这既会加速正规内容生产管线，也会让合成媒体溯源的争论继续升温。