Installiere die belt CLI Fähigkeit:
npx skills add belt-sh/cli
Was macht KI-Avatar & Sprechende-Kopf-Videos?
Erstelle KI-Avatare und Videos mit sprechenden Köpfen 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
Beginne 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 | Beste Gesamtleistung: Geschwindigkeit, Kosten, Qualität, Kontrolle | Ja (30 Stimmen, 10 Sprachen) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | Multi-Charakter, audio-gesteuert | Nein |
| Fabric 1.0 | falai/fabric-1-0 | Bild spricht mit Lippenbewegung | Ja |
| PixVerse Lipsync | falai/pixverse-lipsync | Hochrealistische Lippenbewegung | Nein |
Kosten- und 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 einem Porträt + Textskript mit integrierter TTS:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Willkommen zu unserer Produktvorstellung. Heute zeige ich Ihnen drei Hauptfunktionen.",
"voice": "Puck (Männlich)",
"voice_language": "Deutsch (Deutschland)",
"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 generieren + Avatar erstellen
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, neutraler Hintergrund, in die Kamera schauend, Studiolicht, fotorealistisch",
"aspect_ratio": "9:16"
}'
# 2. Erstelle ein Avatar-Video mit integrierter TTS
belt app run pruna/p-video-avatar --input '{
"image": "<image-url-from-step-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) zuerst Sprache generieren:
# 1. Sprache generieren — 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 Arbeitsweise verändern werden.",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}' > speech.json
# 2. Avatar-Video mit der Sprache erstellen
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://presenter-photo.jpg",
"audio_url": "<audio-url-from-step-1>"
}'
Tipp: Für die meisten Anwendungsfälle ist P-Video-Avatar mit integrierter TTS einfacher – kein separater Audioschritt erforderlich. Verwenden Sie diesen Workflow nur, wenn Sie speziell OmniHuman (Multi-Charakter) oder PixVerse (realistischer Lippenabgleich) benötigen.
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 neuem Audio synchronisieren
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<neue-audio-url>"
}'
UGC-Avatar-Generierung
Erstelle UGC-ähnliche Inhalte mit P-Video-Avatar – integrierte TTS, kein separater Audioschritt erforderlich:
# 1. Generiere ein authentisches UGC-Porträt
belt app run pruna/p-image --input '{
"prompt": "lockeres Selfie einer jungen Frau in einem gemütlichen Raum, natürliches Licht, in die Kamera schauend, warmes Lächeln, authentisches Gefühl",
"aspect_ratio": "9:16"
}'
# 2. Erstelle UGC-Avatar-Video mit integrierter TTS
belt app run pruna/p-video-avatar --input '{
"image": "<image-url-from-step-1>",
"voice_script": "Okay, ich habe dieses Produkt gerade ausprobiert und ehrlich? Es ist ein Game-Changer. Ich hatte nicht erwartet, es so sehr zu lieben, aber hier sind wir!",
"voice": "Zephyr (Weiblich)",
"voice_prompt": "Aufgeregt, locker, authentischer Ton, wie mit einem Freund sprechen",
"video_prompt": "Die Person spricht locker in die Kamera in ihrem Zimmer, natürliche Gesten",
"resolution": "1080p"
}'
Warum P-Video-Avatar für UGC
- All-in-One — integrierte TTS bedeutet keinen separaten Schritt zur Audio-Generierung
- 30 Stimmen, 10 Sprachen — passen Sie Ihre Zielgruppe an
- Sprach- + Video-Prompts — kontrollieren Sie Ton, Emotion, Körpersprache und Hintergrund unabhängig voneinander
- 18x schneller, 6x günstiger — produzieren Sie UGC in großem Maßstab im Vergleich zu Fabric/OmniHuman/HeyGen
- 1080p-Unterstützung — plattformbereite vertikale Videos 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\": \"Locker, authentisch, wie ein echtes Testimonial\",
\"video_prompt\": \"Person spricht in einer hellen Küche in die Kamera\",
\"resolution\": \"1080p\"
}"
done
Anwendungsfälle
- UGC & Marketing: Produktdemos, UGC-Anzeigen mit KI-Präsentatoren
- Bildung: Kursvideos, Erklärvideos
- Lokalisierung: Synchronisieren Sie Inhalte in 10 Sprachen aus einem Bild
- Soziale Medien: Konsistente virtuelle Influencer-Inhalte
- Unternehmen: Schulungsvideos, Ankündigungen
- Gaming: Charakter-Avatare, NPC-Dialoge
Tipps
- Verwenden Sie hochwertige Porträtfotos (Frontansicht, gute Beleuchtung)
- Audio sollte klar sein mit minimalem Hintergrundrauschen
- P-Video-Avatar unterstützt integrierte TTS – kein separater Schritt zur Sprachgenerierung erforderlich
- Das Seitenverhältnis der Ausgabe von P-Video-Avatar entspricht dem Eingabebild
- Generieren Sie Porträts mit
pruna/p-imageim Seitenverhältnis9:16für vertikale Videos - OmniHuman 1.5 unterstützt mehrere Personen in einem Bild
- LatentSync eignet sich am besten zum Synchronisieren vorhandener Videos mit neuem Audio
Verwandte Fähigkeiten
# Dedizierte P-Video-Avatar Fähigkeit
npx skills add inference-sh/skills@p-video-avatar
# Vollständige Plattform-Fähigkeit (alle Apps)
npx skills add inference-sh/skills@infsh-cli
# Text-zu-Sprache (Audio für Avatar-Modelle ohne TTS 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
Alle Video-Apps durchsuchen: belt app list --category video
Dokumentation
- Apps ausführen - So führen Sie Apps über die CLI aus
- Content-Pipeline-Beispiel - Erstellung von Medien-Workflows
- Streaming-Ergebnisse - Echtzeit-Fortschrittsaktualisierungen