HeyGen 双人对话视频实操：Avatar Shots 同屏、多场景交替与 API 三条路

两个人坐下来对话的数字人视频，HeyGen 给了三条路

产品问答、双语播客、虚拟访谈——这类「两个人你一句我一句」的视频，在 HeyGen 里现在有三种做法：Avatar Shots 让两个数字人同屏出现在一个画面里说话；Studio 多场景让两个人轮流出镜，剪成一来一回；API 则把整段对话用代码拼成一条片子。这篇教程依据 HeyGen 官方博客《How to Make Two Avatars Talk in HeyGen》和帮助中心《Avatar Shots》指南整理，把三条路各自的入口、点击路径、提示词写法和积分代价拆开讲清楚，官方示例提示词原文照抄，换掉人名和台词就能套用。它属于AI 视频教程系列里数字人方向的一篇，HeyGen 的平台档案见产品页。

动手前先算清这笔账

Avatar Shots 是三个方法里唯一能让两个数字人同时出现在画面里的，但它有明确的门槛，官方文档写得比较细，先把影响决策的几件事列出来。

套餐方面，帮助中心原文说明：This feature is available for all paid HeyGen plans——所有付费套餐可用，免费档不行。还有一条容易踩的时间线：2026 年 8 月 17 日之后购买的 Creator 套餐，在 Avatar Shots、Cinematic mode、Video Agent 和 B roll generation 这几个功能里拿不到 Seedance2 引擎（功能本身还在，改用其他引擎渲染）。如果你正好在那之后续费，生成效果会和早先教程里的演示有差别。

积分方面，官方明码标价：720p 一条 60 积分，1080p 一条 150 积分，5 秒、10 秒、15 秒同价——也就是说拍一条 15 秒的 720p 对话视频，成本就是 60 积分，不会因为时长变长而多扣。4K 目前在 HeyGen 内的 Seedance2 上不支持。积分消耗的具体数字以官方页面为准，官方也表示「希望尽快降低这个成本」。

数字人素材方面有个限制要提前知道：Avatar Shots 目前只支持视频录制的真人 look（video-based real-human looks），一个卡槽通常只能选一个 look，官方说「更多 look 选择快了」。想同框的两个人，得先各自有合规的视频数字人。

路线一：Avatar Shots，两个人同屏

找到入口

帮助中心给了两条路径：从 HeyGen 主界面点左上角的 Avatar 标签，在菜单里选 Avatar Shots（带 🆕 角标）；或者从新的 HeyGen lobby 进入 Avatar Shots / Seedance2。生成的成品统一存在 Avatar Shots 专区里，不在主 Projects 页——第一次用找不到片子别慌，去专区看。

下面这张官方指南截图是 Seedance2 引擎的创作界面，模型选择器、提示词输入框和底部一排参数都在一个面板上，Avatar Shots 的操作就发生在这样的界面里：

HeyGen 官方指南截图：Seedance2 引擎创作界面，含模型选择、提示词面板与时长/分辨率/画幅设置

第一步：把两个人放进提示词区

选中的数字人会以缩略图形式出现在提示词输入区。点缩略图旁的 + 按钮往同一条视频里加人，上限 3 个；点某个缩略图右上角的灰色 X 可以把人移除。两个人的时候各占一个卡槽，系统据此知道画面里有谁。

第二步：写提示词，说清谁先开口

官方博客对 Avatar Shots 提示词的要求是：像写导演阐述（director's brief）一样，越具体越好。一段合格的提示词要覆盖四样东西——场景与氛围（例如 neon-lit Tokyo street at night, rain, cinematic）、两个人在做什么（two presenters facing each other in a debate）、镜头怎么动（slow push-in to close-up）、以及声音什么样。最后一条尤其重要：Avatar Shots 不能单独上传音频，想要什么声音只能在提示词里描述，比如 epic orchestral score、ambient city sounds。

对话视频最关键的是说话顺序。博客原文的写法是：identify the first speaker, describe what happens when that person finishes, and then direct the second avatar to respond——先点名谁先说，描述他说完之后发生什么，再指示第二个人接话。把这段逻辑翻译成提示词，就是「A 开场介绍产品，说完停顿一拍，B 摇头反驳」这种句式。

帮助中心还放了一个完整的趣味示例，原文照抄，感受一下它的具体程度：

Make the guy here become Super Saiyan in a very cool and dramatic way — lightning crackling around him, golden aura, epic orchestral music building to a peak.

Avatar Shots 官方示例提示词（帮助中心《Avatar Shots》一文）

镜头语言部分，帮助中心的建议是按分镜结构写，Seedance2 处理多镜头提示词的能力很强。官方给的模板原文：

Start wide on both presenters → cut to close-up of left avatar → pull back to full scene.

官方「分镜式」镜头提示词模板（帮助中心）

用短语而不是长句想镜头：slow dolly-in、crane shot overhead、tracking shot from the right 这类术语，引擎跟得很稳。实在拿不准怎么写，可以先用 AI 助手把模糊想法改写成结构化提示词——官方指南自己也是这么教的：

官方指南配图：把「模糊想法」改写成分镜化提示词的完整示例，结尾按 Camera / Lighting / Mood / Style 分字段

第三步：可选，挂参考素材

想让视频锁定某种背景风格、道具、色板或整体气质，可以上传图片或视频做参考。素材来源有两个：之前在 HeyGen 里生成过的资产，或者从设备直接上传的文件。参考不是必选项，但对品牌向内容很有用。

第四步：定时长和画幅

提示词面板底部有一排控制项。时长三档：5 秒、10 秒、15 秒，15 秒是当前上限；画幅两档：Portrait 竖屏或 Landscape 横屏。另有一个 Enhance 开关，官方说明是「如果发现可以优化，会自动改进你的提示词」。

这一排参数的样子（加号入口挂参考素材的位置也有蓝色标注）：

官方指南截图：Add References 入口（蓝色标注处）与 Avatar / Location / Camera / Music、时长、分辨率、画幅等参数

第五步：点箭头生成，且生成即定稿

对提示词和参数满意后，点输入框的向上箭头 ↑ 开始生成。这里有一条官方用感叹号强调的规则：No edits after generation——点击生成的那一刻积分立即扣除，成片不能做任何修改，哪怕只是调一个音效、改一处细节。不满意只能改提示词重新生成一条。官方因此提醒：需要精确逐场景控制的创作者，用 HeyGen Studio 走路线二，别在 Avatar Shots 里反复试错烧积分。

生成效果可以看官方放在帮助中心的这段演示动图，两个数字人在同一画面里完成动作与对话：

Avatar Shots 官方演示动图（帮助中心原文配图）：同屏多数字人生成效果

路线二：Studio 多场景，两个人轮流说

如果不需要两个人同框，只要干净的交替对话，多场景结构更省事。博客的思路是把台词按说话人拆开：开场场景放第一个数字人和台词的前半段；第二个场景放另一个数字人的回应；如此交替直到对话结束；最后按顺序检查一遍，确认台词衔接没有乱序。场景连续播放时，观感就是两个人在对话。

这个做法有个额外好处，博客原文点明了：每个说话轮次独立成场景，谁在说话一目了然（every speaking turn has its own scene），不会出现两个人抢话的模糊地带。代价是没有同屏画面——全程是「说话的人独占镜头」的切换感，更像新闻连线而不是面对面访谈。

路线三：用 API 把对话拼成一条片子

要做批量或者接进自家系统，就走 API。开发者文档说明：鉴权用 X-Api-Key 请求头，密钥在 Settings → API 里创建；对话视频用 type: "studio" 的请求体，场景写进 scenes 数组，每个场景指定自己的数字人和台词，按说话顺序排列。两个 avatar_video 场景交替，就是一条双人对话。下面这个最小示例按官方文档的字段拼成，两景一来一回：

curl -X POST "https://api.heygen.com/v3/videos" \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "type": "studio",
    "scenes": [
      {
        "type": "avatar_video",
        "input": {
          "type": "avatar",
          "avatar_id": "AVATAR_A",
          "script": "开场台词，由第一个数字人说出",
          "voice_id": "VOICE_A"
        }
      },
      {
        "type": "avatar_video",
        "input": {
          "type": "avatar",
          "avatar_id": "AVATAR_B",
          "script": "回应台词，由第二个数字人说出",
          "voice_id": "VOICE_B"
        }
      }
    ]
  }'

生成是异步的：请求返回一个 video_id，轮询 GET /v3/videos/{video_id} 直到 status 变成 completed 就能拿到下载地址；不想轮询可以在请求里加 callback_url 走 webhook。另外两点官方写明的规则：type 为 avatar 的单场景请求渲染一个场景，台词或音频最长 30 分钟，更长就拆成多个场景组成 studio 视频；渲染是 all-or-nothing——一个请求产出一条视频，任何一个场景失败则整条不产出。

三条路怎么选

官方博客在 Which approach should you use 一节给了判断标准，直接抄结论：两个人必须同屏出现，选 Avatar Shots，提示词里写清谁先说、谁接话；要干净利落的交替对话而不在乎同屏，选多场景，把台词按说话人拆给对应场景；对话要进自动化流程、批量产出，选 API，把场景按顺序提交。对多数零基础用户，答案是第一条：Avatar Shots 上手最快，一条提示词就有同屏对话效果，只要守住「生成前把提示词磨好」这一个习惯，积分就花在刀刃上。

官方明示的限制，逐条过

帮助中心专门列了 Current Limitations 一节，做决定前值得逐条对照：视频最长 15 秒；每条视频最多 3 个数字人；音频不能上传，只能在提示词里描述；生成后不能编辑，任何修改都要重新生成；成片存在 Avatar Shots 专区而非主 Projects 页；语言方面，英语、汉语（含部分方言）、西班牙语、日语、韩语、印尼语为稳定语言，法语、意大利语、土耳其语「也能用，但最好找母语者核一下」。这些限制官方更新得比较勤，动手前以帮助中心原文为准。

来源

本文步骤与图片依据 HeyGen 官方博客《How to Make Two Avatars Talk in HeyGen》、帮助中心《Avatar Shots - Powered by Seedance2》及开发者文档 Studio 一节整理，示例提示词与限制清单为官方原文，版权归原作者所有。