KI-Avatar & Sprechkopf-Videos
Erstelle KI-Avatare und Sprechkopf-Videos über inference.sh CLI.

Schnellstart
Erfordert inference.sh CLI (
belt). Installationsanleitung
belt login
# Empfohlen: P-Video-Avatar (am schnellsten, günstigsten, integriertes 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
Beginne mit P-Video-Avatar – es ist 18x schneller und 6x günstiger als Alternativen, mit integriertem TTS, dynamischen Hintergründen und 1080p-Unterstützung.
| Modell | App-ID | Am besten geeignet für | Integriertes TTS |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | Beste Gesamtleistung: Geschwindigkeit, Kosten, Qualität, Kontrolle | Ja (30 Stimmen, 10 Sprachen) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | Mehrere Charaktere, audio-gesteuert | Nein |
| Fabric 1.0 | falai/fabric-1-0 | Bild spricht mit LippenSync | Ja |
| PixVerse Lipsync | falai/pixverse-lipsync | Hochrealistisches LippenSync | Nein |
Kosten- und Geschwindigkeitsvergleich
| Modell | Geschwindigkeit (pro Sekunde Video) | Kosten pro Sekunde |
|---|---|---|
| P-Video-Avatar | ~1,83 s/s | 0,025 $ |
| OmniHuman 1.5 | ~28 s/s (15x langsamer) | 0,16 $ (6,4x mehr) |
| Fabric 1.0 | ~34 s/s (18x langsamer) | 0,14 $ (5,6x mehr) |
Beispiele
P-Video-Avatar (Empfohlen)
Generiere Avatar aus Porträt + Textskript mit integriertem TTS:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Willkommen zu unserer Produktvorstellung. Heute zeige ich Ihnen drei wichtige Funktionen.",
"voice": "Puck (Männlich)",
"voice_language": "Deutsch",
"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 Kopfschussporträt einer jungen Frau, neutraler Hintergrund, in die Kamera schauend, Studiolicht, fotorealistisch",
"aspect_ratio": "9:16"
}'
# 2. Erstelle Avatar-Video mit integriertem TTS
belt app run pruna/p-video-avatar --input '{
"image": "<image-url-aus-schritt-1>",
"voice_script": "Hallo! Lassen Sie mich Sie durch unsere neuesten Funktionen führen.",
"voice": "Zephyr (Weiblich)"
}'
OmniHuman 1.5 (Mehrere Charaktere)
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 integriertes TTS generiere zuerst die Sprachausgabe:
# 1. Generiere Sprache aus Text
belt app run infsh/kokoro-tts --input '{
"prompt": "Willkommen zu unserer Produktdemo. Heute zeige ich Ihnen..."
}' > speech.json
# 2. Erstelle Avatar-Video mit der Sprachausgabe
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://presenter-photo.jpg",
"audio_url": "<audio-url-aus-schritt-1>"
}'
Vollständiger Workflow: Video in eine andere Sprache synchronisieren
# 1. Originalvideo transkribieren
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. Text übersetzen (manuell oder mit einem LLM)
# 3. Sprache in der neuen Sprache generieren
belt app run infsh/kokoro-tts --input '{"text": "<übersetzter-text>"}' > new_speech.json
# 4. Originalvideo mit neuer Audiospur synchronisieren
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<neue-audio-url>"
}'
Anwendungsfälle
- Marketing: Produktdemos mit KI-Präsentator
- Bildung: Kursvideos, Erklärvideos
- Lokalisierung: Inhalte in mehreren Sprachen synchronisieren
- Soziale Medien: Konsistenter virtueller Influencer
- Unternehmen: Schulungsvideos, Ankündigungen
- Gaming: Charakter-Avatare, NPC-Dialoge
Tipps
- Verwende hochwertige Porträtfotos (Vorderansicht, gute Beleuchtung)
- Audio sollte klar sein mit minimalen Hintergrundgeräuschen
- P-Video-Avatar unterstützt integriertes 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 ist am besten geeignet, um vorhandene Videos mit neuen Audiospuren zu synchronisieren
Verwandte Fähigkeiten
# Dedizierte P-Video-Avatar-Fähigkeit
npx skills add inference-sh/skills@p-video-avatar
# Vollständige Plattform-Fähigkeit (alle 250+ Apps)
npx skills add inference-sh/skills@infsh-cli
# Text-zu-Sprache (Audio für Nicht-TTS-Avatar-Modelle generieren)
npx skills add inference-sh/skills@text-to-speech
# Sprache-zu-Text (für Synchronisation transkribieren)
npx skills add inference-sh/skills@speech-to-text
# Videogenerierung
npx skills add inference-sh/skills@ai-video-generation
# Bildgenerierung (Avatar-Bilder erstellen)
npx skills add inference-sh/skills@ai-image-generation
Durchsuche alle Video-Apps: belt app list --category video
Dokumentation
- Apps ausführen - So führst du Apps über die CLI aus
- Content Pipeline Beispiel - Medien-Workflows erstellen
- Streaming-Ergebnisse - Echtzeit-Fortschrittsaktualisierungen