Installiere das belt CLI Skill:
npx skills add belt-sh/cli
Was macht KI-Avatar & Sprechende-Kopf-Videos?
Erstelle KI-Avatare und sprechende-Kopf-Videos über die inference.sh CLI.

Schnellstart
Erfordert die inference.sh CLI (
belt). Installationsanleitung
belt login
# Empfohlen: P-Video-Avatar (schnellste, günstigste, integrierte TTS)
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Hallo, willkommen zu unserer Produktdemo!",
"voice": "Zephyr (Weiblich)"
}'
Verfügbare Modelle
Starte mit P-Video-Avatar — es ist 18x schneller und 6x günstiger als Alternativen, mit integrierter TTS, dynamischen Hintergründen und 1080p-Unterstützung.
| Modell | App-ID | Am besten geeignet für | Integrierte TTS |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | Insgesamt am besten: Geschwindigkeit, Kosten, Qualität, Kontrolle | Ja (30 Stimmen, 10 Sprachen) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | Multi-Charakter, audiogesteuert | Nein |
| Fabric 1.0 | falai/fabric-1-0 | Bild spricht mit Lippen-Sync | Ja |
| PixVerse Lipsync | falai/pixverse-lipsync | Hochrealistischer Lippen-Sync | Nein |
Kosten- & Geschwindigkeitsvergleich
| Modell | Geschwindigkeit (pro Sekunde Video) | Kosten pro Sekunde |
|---|---|---|
| P-Video-Avatar | ~1,83s/s | $0,025 |
| OmniHuman 1.5 | ~28s/s (15x langsamer) | $0,16 (6,4x teurer) |
| Fabric 1.0 | ~34s/s (18x langsamer) | $0,14 (5,6x teurer) |
Beispiele
P-Video-Avatar (Empfohlen)
Erstelle einen Avatar aus Porträt + Textskript mit integrierter TTS:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Willkommen zu unserer Produktvorstellung. Heute werde ich Ihnen drei Hauptfunktionen zeigen.",
"voice": "Puck (Männlich)",
"voice_language": "Deutsch (DE)",
"resolution": "720p"
}'
Mit benutzerdefinierter Stilsteuerung:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Das sind aufregende Neuigkeiten!",
"voice": "Aoede (Weiblich)",
"voice_prompt": "Begeisterter und energischer Ton",
"video_prompt": "Die Person präsentiert auf einer Bühne mit dramatischer Beleuchtung",
"resolution": "1080p"
}'
Mit Audiodatei anstelle von TTS:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"audio": "https://speech.mp3"
}'
Vollständiger Workflow: Porträt + Avatar generieren
Verwende Pruna P-Image, um das Porträt zu generieren, und erstelle dann den Avatar:
# 1. Generiere ein Porträtbild
belt app run pruna/p-image --input '{
"prompt": "professionelles Porträt einer jungen Frau im Brustbild, neutraler Hintergrund, in die Kamera schauend, Studio-Beleuchtung, fotorealistisch",
"aspect_ratio": "9:16"
}'
# 2. Erstelle Avatar-Video mit integrierter TTS
belt app run pruna/p-video-avatar --input '{
"image": "<bild-url-aus-schritt-1>",
"voice_script": "Hallo! Lassen Sie mich Ihnen unsere neuesten Funktionen vorstellen.",
"voice": "Zephyr (Weiblich)"
}'
OmniHuman 1.5 (Multi-Charakter)
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
Unterstützt die Angabe, welcher Charakter in Bildern mit mehreren Personen gesteuert werden soll.
Fabric 1.0 (Bild spricht)
belt app run falai/fabric-1-0 --input '{
"image_url": "https://face.jpg",
"audio_url": "https://audio.mp3"
}'
PixVerse Lipsync
belt app run falai/pixverse-lipsync --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
Vollständiger Workflow: TTS + Avatar (Modelle ohne TTS)
Für Modelle ohne integrierte TTS (OmniHuman, PixVerse) generiere zuerst Sprache:
# 1. Generiere Sprache — Inworld TTS-2 für ausdrucksstarke Charakterstimmen
belt app run inworld/text-to-speech-2 --input '{
"text": "[freundlich] Willkommen zu unserer Produktdemo! [aufgeregt] Lassen Sie mich Ihnen drei Funktionen zeigen, die Ihre Arbeit verändern werden.",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}' > speech.json
# 2. Erstelle Avatar-Video mit der generierten Sprache
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://presenter-photo.jpg",
"audio_url": "<audio-url-aus-schritt-1>"
}'
Tipp: Für die meisten Anwendungsfälle ist P-Video-Avatar mit integrierter TTS einfacher — kein separater Audio-Schritt nötig. Verwende diesen Workflow nur, wenn du speziell OmniHuman (Multi-Charakter) oder PixVerse (realistischer Lippen-Sync) benötigst.
Vollständiger Workflow: Video in eine andere Sprache synchronisieren
# 1. Transkribiere Originalvideo
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. Übersetze Text (manuell oder mit einem LLM)
# 3. Generiere Sprache in der neuen Sprache
belt app run infsh/kokoro-tts --input '{"text": "<uebersetzter-text>"}' > new_speech.json
# 4. Synchronisiere Lippen des Originalvideos mit neuer Audio
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<neue-audio-url>"
}'
Avatar UGC-Generierung
Erstelle UGC-ähnliche Inhalte mit P-Video-Avatar — integrierte TTS, kein separater Audio-Schritt nötig:
# 1. Generiere ein authentisches UGC-Porträt
belt app run pruna/p-image --input '{
"prompt": "Lässiges Selfie-ähnliches Foto einer jungen Frau in einem gemütlichen Zimmer, natürliche Beleuchtung, in die Kamera schauend, warmes Lächeln, authentischer Look",
"aspect_ratio": "9:16"
}'
# 2. Erstelle UGC-Avatar-Video mit integrierter TTS
belt app run pruna/p-video-avatar --input '{
"image": "<bild-url-aus-schritt-1>",
"voice_script": "Okay, ich habe dieses Produkt gerade ausprobiert und ehrlich gesagt? Es ist ein Game-Changer. Ich habe nicht erwartet, es so sehr zu mögen, aber hier sind wir!",
"voice": "Zephyr (Weiblich)",
"voice_prompt": "Aufgeregt, lässig, authentischer Ton wie beim Reden mit einem Freund",
"video_prompt": "Die Person spricht lässig in die Kamera in ihrem Zimmer, natürliche Gesten",
"resolution": "1080p"
}'
Warum P-Video-Avatar für UGC?
- All-in-One — integrierte TTS bedeutet keinen separaten Audio-Generierungsschritt
- 30 Stimmen, 10 Sprachen — passend für deine Zielgruppe
- Sprach- + Videoprompts — kontrolliere Ton, Emotion, Körpersprache und Hintergrund unabhängig voneinander
- 18x schneller, 6x günstiger — produziere UGC in großem Maßstab im Vergleich zu Fabric/OmniHuman/HeyGen
- 1080p-Unterstützung — plattformreifes vertikales Video aus einem einzigen Porträtbild
Batch-UGC: Gleiches Produkt, mehrere Sprecher
# Generiere 3 verschiedene Sprecher
for voice in "Zephyr (Weiblich)" "Puck (Männlich)" "Aoede (Weiblich)"; do
belt app run pruna/p-video-avatar --input "{
\"image\": \"https://portrait.jpg\",
\"voice_script\": \"Das hat meine Morgenroutine komplett verändert. Fünf Minuten und ich bin fertig.\",
\"voice\": \"$voice\",
\"voice_prompt\": \"Lässig, authentisch, wie ein echtes Testimonial\",
\"video_prompt\": \"Person spricht in einer hellen Küche in die Kamera\",
\"resolution\": \"1080p\"
}"
done
Anwendungsfälle
- UGC & Marketing: Produktdemos, UGC-ähnliche Anzeigen mit KI-Präsentatoren
- Bildung: Kursvideos, Erklärvideos
- Lokalisierung: Inhalte in 10 Sprachen aus einem Bild synchronisieren
- Soziale Medien: Konsistente virtuelle Influencer-Inhalte
- Unternehmen: Schulungsvideos, Ankündigungen
- Gaming: Charakter-Avatare, NPC-Dialoge
Tipps
- Verwende hochwertige Porträtfotos (frontal, gute Beleuchtung)
- Audio sollte klar sein mit minimalen Hintergrundgeräuschen
- P-Video-Avatar unterstützt integrierte TTS — kein separater Sprachgenerierungsschritt nötig
- Das Seitenverhältnis der P-Video-Avatar-Ausgabe entspricht dem Eingabebild
- Generiere Porträts mit
pruna/p-imageim Seitenverhältnis9:16für vertikale Videos - OmniHuman 1.5 unterstützt mehrere Personen in einem Bild
- LatentSync eignet sich am besten, um vorhandene Videos mit neuer Audio zu synchronisieren
Verwandte Skills
# Dediziertes P-Video-Avatar Skill
npx skills add inference-sh/skills@p-video-avatar
# Vollständiges Plattform-Skill (alle 250+ Apps)
npx skills add inference-sh/skills@infsh-cli
# Text-to-Speech (generiere Audio für Avatar-Modelle ohne TTS)
npx skills add inference-sh/skills@text-to-speech
# Speech-to-Text (transkribiere für Synchronisation)
npx skills add inference-sh/skills@speech-to-text
# Videogenerierung
npx skills add inference-sh/skills@ai-video-generation
# Bildgenerierung (erstelle Avatar-Bilder)
npx skills add inference-sh/skills@ai-image-generation
Durchsuche alle Video-Apps: belt app store --category video
Dokumentation
- Apps ausführen - Wie man Apps über die CLI ausführt
- Content Pipeline Beispiel - Medienworkflows erstellen
- Streaming-Ergebnisse - Echtzeit-Fortschrittsaktualisierungen