Instala la habilidad CLI belt:
npx skills add belt-sh/cli
Avatares AI y Videos de Cabezas Parlantes
Crea avatares AI y videos de cabezas parlantes a través de la CLI de inference.sh.

Inicio Rápido
Requiere la CLI de inference.sh (
belt). Instrucciones de instalación
belt login
# Recomendado: P-Video-Avatar (más rápido, más barato, TTS integrado)
bel app run pruna/p-video-avatar --input '{
"image": "https://retrato.jpg",
"voice_script": "¡Hola, bienvenido a nuestra demo de producto!",
"voice": "Zephyr (Femenina)"
}'
Modelos Disponibles
Empieza con P-Video-Avatar — es 18 veces más rápido y 6 veces más barato que las alternativas, con TTS integrado, fondos dinámicos y soporte para 1080p.
| Modelo | ID de App | Mejor para | TTS Integrado |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | Mejor en general: velocidad, costo, calidad, control | Sí (30 voces, 10 idiomas) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | Múltiples personajes, impulsado por audio | No |
| Fabric 1.0 | falai/fabric-1-0 | Imagen habla con sincronía de labios | Sí |
| PixVerse Lipsync | falai/pixverse-lipsync | Sincronía de labios altamente realista | No |
Comparación de Costo y Velocidad
| Modelo | Velocidad (por segundo de video) | Costo por segundo |
|---|---|---|
| P-Video-Avatar | ~1.83s/s | $0.025 |
| OmniHuman 1.5 | ~28s/s (15x más lento) | $0.16 (6.4x más) |
| Fabric 1.0 | ~34s/s (18x más lento) | $0.14 (5.6x más) |
Ejemplos
P-Video-Avatar (Recomendado)
Genera un avatar a partir de un retrato y un texto con TTS integrado:
belt app run pruna/p-video-avatar --input '{
"image": "https://retrato.jpg",
"voice_script": "Bienvenido a nuestro recorrido de producto. Hoy te mostraré tres características clave.",
"voice": "Puck (Masculina)",
"voice_language": "Español (España)",
"resolution": "720p"
}'
Con control de estilo personalizado:
belt app run pruna/p-video-avatar --input '{
"image": "https://retrato.jpg",
"voice_script": "¡Esta es una noticia emocionante!",
"voice": "Aoede (Femenina)",
"voice_prompt": "Tono entusiasta y enérgico",
"video_prompt": "La persona está presentando en un escenario con iluminación dramática",
"resolution": "1080p"
}'
Con archivo de audio en lugar de TTS:
belt app run pruna/p-video-avatar --input '{
"image": "https://retrato.jpg",
"audio": "https://voz.mp3"
}'
Flujo Completo: Generar Retrato + Avatar
Usa Pruna P-Image para generar el retrato, luego crea el avatar:
# 1. Generar una imagen de retrato
belt app run pruna/p-image --input '{
"prompt": "retrato profesional de una mujer joven, fondo neutro, mirando a cámara, iluminación de estudio, fotorrealista",
"aspect_ratio": "9:16"
}'
# 2. Crear video de avatar con TTS integrado
belt app run pruna/p-video-avatar --input '{
"image": "<url-de-imagen-del-paso-1>",
"voice_script": "¡Hola! Déjame mostrarte nuestras últimas características.",
"voice": "Zephyr (Femenina)"
}'
OmniHuman 1.5 (Múltiples Personajes)
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://retrato.jpg",
"audio_url": "https://voz.mp3"
}'
Permite especificar qué personaje animar en imágenes con varias personas.
Fabric 1.0 (Imagen Habla)
belt app run falai/fabric-1-0 --input '{
"image_url": "https://rostro.jpg",
"audio_url": "https://audio.mp3"
}'
PixVerse Lipsync
belt app run falai/pixverse-lipsync --input '{
"image_url": "https://retrato.jpg",
"audio_url": "https://voz.mp3"
}'
Flujo Completo: TTS + Avatar (Modelos sin TTS)
Para modelos sin TTS integrado (OmniHuman, PixVerse), genera primero el habla:
# 1. Generar habla — Inworld TTS-2 para voces de personajes expresivas
belt app run inworld/text-to-speech-2 --input '{
"text": "[amigable] ¡Bienvenido a nuestra demo de producto! [emocionado] Déjame mostrarte tres características que cambiarán tu forma de trabajar.",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}' > habla.json
# 2. Crear video de avatar con el habla
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://foto-presentador.jpg",
"audio_url": "<url-de-audio-del-paso-1>"
}'
Consejo: Para la mayoría de los casos, P-Video-Avatar con TTS integrado es más simple — no se necesita un paso de audio separado. Usa este flujo solo cuando necesites específicamente OmniHuman (múltiples personajes) o PixVerse (sincronía de labios realista).
Flujo Completo: Doblar Video a Otro Idioma
# 1. Transcribir video original
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcripcion.json
# 2. Traducir texto (manualmente o con un LLM)
# 3. Generar habla en el nuevo idioma
belt app run infsh/kokoro-tts --input '{"text": "<texto-traducido>"}' > nuevo_habla.json
# 4. Sincronizar labios del video original con el nuevo audio
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://video-original.mp4",
"audio_url": "<url-del-nuevo-audio>"
}'
Generación de Contenido UGC con Avatar
Crea contenido estilo UGC con P-Video-Avatar — TTS integrado, sin necesidad de paso de audio separado:
# 1. Generar un retrato estilo UGC relatable
belt app run pruna/p-image --input '{
"prompt": "foto estilo selfie casual de una mujer joven en una habitación acogedora, iluminación natural, mirando a cámara, sonrisa cálida, sensación auténtica",
"aspect_ratio": "9:16"
}'
# 2. Crear video de avatar UGC con TTS integrado
belt app run pruna/p-video-avatar --input '{
"image": "<url-de-imagen-del-paso-1>",
"voice_script": "Vale, acabo de probar este producto y ¿sinceramente? Es un cambio total. No esperaba que me gustara tanto, ¡pero aquí estamos!",
"voice": "Zephyr (Femenina)",
"voice_prompt": "Tono emocionado, casual y auténtico como hablando con un amigo",
"video_prompt": "La persona habla casualmente a cámara en su habitación, gestos naturales",
"resolution": "1080p"
}'
Por qué P-Video-Avatar para UGC
- Todo en uno — TTS integrado significa que no se necesita un paso de generación de audio separado
- 30 voces, 10 idiomas — adapta tu público objetivo
- Instrucciones de voz y video — controla el tono, la emoción, el lenguaje corporal y el fondo de forma independiente
- 18x más rápido, 6x más barato — produce UGC a escala vs. Fabric/OmniHuman/HeyGen
- Soporte 1080p — video vertical listo para plataformas desde una sola imagen de retrato
UGC en Lote: Mismo Producto, Varios Presentadores
# Generar 3 presentadores diferentes
for voice in "Zephyr (Femenina)" "Puck (Masculina)" "Aoede (Femenina)"; do
belt app run pruna/p-video-avatar --input "{
\"image\": \"https://retrato.jpg\",
\"voice_script\": \"Esto cambió completamente mi rutina matutina. Cinco minutos y ya está.\",
\"voice\": \"$voice\",
\"voice_prompt\": \"Casual, auténtico, como un testimonio real\",
\"video_prompt\": \"Persona hablando a cámara en una cocina iluminada\",
\"resolution\": \"1080p\"
}"
done
Casos de Uso
- UGC y Marketing: Demos de producto, anuncios estilo UGC con presentadores AI
- Educación: Videos de cursos, explicativos
- Localización: Doblaje de contenido en 10 idiomas desde una imagen
- Redes Sociales: Contenido consistente de influencers virtuales
- Corporativo: Videos de formación, anuncios
- Juegos: Avatares de personajes, diálogos de NPC
Consejos
- Usa fotos de retrato de alta calidad (frente a la cámara, buena iluminación)
- El audio debe ser claro con el mínimo ruido de fondo
- P-Video-Avatar soporta TTS integrado — no necesita un paso de generación de habla separado
- La relación de aspecto del video de salida de P-Video-Avatar coincide con la imagen de entrada
- Genera retratos con
pruna/p-imageusando relación de aspecto9:16para videos verticales - OmniHuman 1.5 soporta múltiples personas en una imagen
- LatentSync es mejor para sincronizar videos existentes con nuevo audio
Habilidades Relacionadas
# Habilidad dedicada de P-Video-Avatar
npx skills add inference-sh/skills@p-video-avatar
# Habilidad de plataforma completa (más de 250 apps)
npx skills add inference-sh/skills@infsh-cli
# Texto a voz (genera audio para modelos de avatar sin TTS)
npx skills add inference-sh/skills@text-to-speech
# Voz a texto (transcribe para doblaje)
npx skills add inference-sh/skills@speech-to-text
# Generación de video
npx skills add inference-sh/skills@ai-video-generation
# Generación de imágenes (crea imágenes de avatar)
npx skills add inference-sh/skills@ai-image-generation
Explora todas las apps de video: belt app store --category video
Documentación
- Ejecutar Apps - Cómo ejecutar apps a través de CLI
- Ejemplo de Pipeline de Contenido - Construcción de flujos de trabajo multimedia
- Resultados en Streaming - Actualizaciones de progreso en tiempo real