بنیادی فرق خودکار نظام اور باریک سطح کے کنٹرول کے درمیان توازن میں ہوتا ہے۔

The Video Agent API ایک ہی ٹیکسٹ پرامپٹ لیتی ہے اور اواتار بنانے، اسکرپٹ لکھنے، اور بصری اثاثے تیار کرنے اور ان کی لے آؤٹس کو خودکار طور پر منظم کرتی ہے۔ یہ نہایت باریک سطح تک درست کنٹرول کے ساتھ ساتھ مکمل تخلیقی آزادی بھی فراہم کرتی ہے۔ بڑے پیمانے پر مواد کی تلاش، اندرونی ویڈیو بنانے اور آٹومیشن کے لیے بہترین ہے۔ یہ پوری انڈسٹری میں واقعی ایک منفرد پیشکش ہے۔

اس کے مقابلے میں، Standard Video Generation APIs کے 2 اہم حصے ہیں: 1) Avatar Video Generation اور 2) Template Video Generation۔ ڈیویلپرز HeyGen کے ویب پلیٹ فارم پر Avatars اور Video Templates بناتے ہیں، جنہیں بعد میں API کے ذریعے استعمال کیا جا سکتا ہے۔ اگرچہ اس میں زیادہ سیٹ اپ درکار ہوتا ہے، لیکن یہ APIs وہ درست اور باریک کنٹرول فراہم کرتی ہیں جو برانڈ کے مطابق، اعلیٰ معیار کی ویڈیو اثاثوں کے لیے ضروری ہوتا ہے۔ انٹرپرائز کسٹمرز نے اپنی کنٹینٹ پائپ لائنز کو خودکار بنانے کے لیے انہی کے ذریعے لاکھوں ویڈیوز بنائی ہیں۔

جی ہاں، Photo Avatar API استعمال کرنے کے لیے یہ مراحل ہیں

1. موجودہ تصاویر اپ لوڈ کریں (کے ذریعے Upload Asset API)
2. اواتار گروپ بنائیں: ایک ہی سبجیکٹ کی تصاویر کو گروپ کر کے اواتار گروپ بنائیں۔
3. (اختیاری) اواتار گروپ کو ٹرین کریں: جب آپ کا اواتار گروپ بن جائے، تو آپ ماڈل کو اس طرح ٹرین کر سکتے ہیں کہ وہ سبجیکٹ کی منفرد خصوصیات، تاثرات اور دیگر عناصر کو پہچان سکے تاکہ وہ حقیقت سے قریب تر اواتار تخلیق کرے۔
4. اگر آپ Template Video Generation استعمال کرکے بڑے پیمانے پر "personalized" ویڈیوز بنانا چاہتے ہیں، تو آپ اس گائیڈ پر عمل کرکے اواتار کو استعمال یا تبدیل کر سکتے ہیں۔

اگر آپ Avatar Video Generation استعمال کرنا چاہتے ہیں، تو آپ اس اواتار کو استعمال / شامل کر سکتے ہیں اسرہنمائیپر عمل کرتے ہوئے۔

جی ہاں، API ایک منظم تفصیلی فریم ورک کے ذریعے خالص text-to-avatar جنریشن کو سپورٹ کرتی ہے، جس سے بیرونی امیج اثاثوں کی ضرورت ختم ہو جاتی ہے۔ جب آپ آٹھ لازمی فیلڈز — مثلاً عمر، جنس، نسل اور اسٹائل — کے لیے مخصوص پیرامیٹرز فراہم کرتے ہیں تو AI ایک منفرد، ہائی ریزولوشن پرسونا تخلیق کرتی ہے۔ مثال کے طور پر، اگر آپ "East Asian" نسل کے ساتھ "Professional" اسٹائل اور "Cinematic" لائٹنگ منتخب کریں تو یہ انجن کو ہدایت دے گا کہ وہ منفرد اواتارز اور لُکس کا انتخاب واپس کرے، جس سے ادارے حقیقی دنیا میں موجود نہ ہونے والی متنوع کاسٹ لائبریریز کو بڑے پیمانے پر تیار کر سکتے ہیں۔

آپ یہاں موجود گائیڈ کو فالو کر کے پرامپٹ سے اواتار بنانے کا طریقہ سیکھ سکتے ہیں۔

ٹیمپلیٹ سسٹم کو ہائی ایفیشنسی "میل مرج" اسٹائل ویڈیو پروڈکشن کے لیے ڈیزائن کیا گیا ہے، جہاں ایک ماسٹر لے آؤٹ ڈائنامک ڈیٹا کے لیے کنٹینر کا کام کرتا ہے۔ صارفین پہلے ڈیش بورڈ یا API کے ذریعے کوئی ٹیمپلیٹ بناتے یا منتخب کرتے ہیں، پھر ٹیکسٹ، تصاویر یا آڈیو کے لیے مخصوص پلیس ہولڈرز کی نشاندہی کرتے ہیں۔ اس کے بعد جب آپ ٹیمپلیٹ کے generate اینڈ پوائنٹ پر متغیرات (variables) کے JSON پیلوڈ کے ساتھ ایک ہی POST ریکویسٹ بھیجتے ہیں تو سسٹم خودکار طور پر ہر وصول کنندہ کے لیے منفرد ویڈیو فائلیں رینڈر کر دیتا ہے، جس کی بدولت یہ بڑے پیمانے پر پرسنلائزڈ سیلز آؤٹ ریچ اور کسٹمر آن بورڈنگ کو کسٹمائز کرنے کے لیے انڈسٹری کا معیاری حل بن چکا ہے۔

حقیقی تاثر اور لب کی ہم آہنگی (lip-sync) کی زیادہ سے زیادہ درستگی کے لیے تجویز کردہ "Golden Path" یہ ہے کہ آپ پروگرام کے ذریعے کسی مخصوص اواتار کے ساتھ منسلک default_voice_id حاصل کریں اور اسی کو استعمال کریں۔ اس طریقے سے آواز کی خصوصیات — جیسے جنس، ٹون اور علاقائی لہجہ — پہلے ہی اس اواتار کی بصری شخصیت کے مطابق بہتر کی گئی ہوتی ہیں، جس سے "uncanny valley" جیسے غیر فطری اثرات کے امکانات نمایاں طور پر کم ہو جاتے ہیں۔ اگر کسٹم آواز درکار ہو تو ڈویلپرز کو ہمیشہ v2/voices کی فہرست کو اواتار کے میٹا ڈیٹا کے مطابق فلٹر کرنا چاہیے تاکہ آڈیو اور ویڈیو کے درمیان ہم آہنگی برقرار رہے۔

چونکہ ہائی فِڈیلیٹی AI ویڈیو رینڈرنگ ایک ریسورس‑انٹینسیو عمل ہے جو چند منٹ لے سکتا ہے، اس لیے API کو Webhooks کے ذریعے غیر ہم وقت، ایونٹ‑ڈرِوَن آرکیٹیکچر کے ساتھ استعمال کرنے کے لیے ڈیزائن کیا گیا ہے۔ اوپن کنکشن کو برقرار رکھنے کے بجائے (جو ٹائم آؤٹس کا باعث بنتا ہے)، آپ کی ایپلیکیشن کو چاہیے کہ وہ ایک webhook URL رجسٹر کرے تاکہ جیسے ہی avatar_video.success ایونٹ ٹرِگر ہو، اسے خودکار "push" نوٹیفکیشن موصول ہو جائے۔ اس سے آپ کا بیک اینڈ پرفارمنٹ رہتا ہے اور وہ صرف اسی وقت ویڈیو کو پروسیس کرتا ہے — فراہم کردہ video_url کے ذریعے — جب وہ دستیاب ہو جاتی ہے۔

یہ API آپ کو عالمی سطح پر بے حد وسیع رسائی فراہم کرتی ہے، جو 40 زبانوں کی سپورٹ اور 300 سے زائد متنوع آوازوں کی لائبریری کے ساتھ سرحد پار باآسانی رابطے کو ممکن بناتی ہے۔ صرف مختلف زبانوں میں text-to-speech سے آگے بڑھ کر، یہ پلیٹ فارم "Video Translation" فیچرز بھی فراہم کرتا ہے جو موجودہ ویڈیو لے کر اس کی آڈیو کا ترجمہ کرتا ہے اور ساتھ ہی اواتار کے لبوں کی حرکت کو نئی زبان کے ساتھ دوبارہ ہم آہنگ (re-sync) کر دیتا ہے۔ اس سے ویژول پرفارمنس ہسپانوی یا جاپانی میں بھی اتنی ہی حقیقی محسوس ہوتی ہے جتنی اصل انگریزی ریکارڈنگ میں تھی۔

HeyGen ویڈیو ترجمہ 175 زبانوں اور لہجوں کو سپورٹ کر سکتا ہے (تفصیل کے مطابق یہاں)۔