Videos de Avatar AI y Talking Head
Crea avatares AI y videos de talking head mediante la CLI de inference.sh.

Inicio Rápido
Requiere la CLI
beltde inference.sh. Instrucciones de instalación
belt login
# Recomendado: P-Video-Avatar (más rápido, más barato, TTS incorporado)
belt 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 incorporado, fondos dinámicos y soporte para 1080p.
| Modelo | App ID | Mejor Para | TTS Incorporado |
|---|---|---|---|
| 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, guiado por audio | No |
| Fabric 1.0 | falai/fabric-1-0 | Imagen habla con sincronía labial | Sí |
| PixVerse Lipsync | falai/pixverse-lipsync | Sincronía labial 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 (15 veces más lento) | $0.16 (6.4 veces más caro) |
| Fabric 1.0 | ~34s/s (18 veces más lento) | $0.14 (5.6 veces más caro) |
Ejemplos
P-Video-Avatar (Recomendado)
Genera avatar a partir de retrato + guión de texto con TTS incorporado:
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 (México)",
"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 y 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 la cámara, iluminación de estudio, fotorrealista",
"aspect_ratio": "9:16"
}'
# 2. Crear video avatar con TTS incorporado
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"
}'
Soporta especificar qué personaje animar en imágenes con múltiples 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 incorporado, genera primero el habla:
# 1. Generar voz a partir de texto
belt app run infsh/kokoro-tts --input '{
"prompt": "Bienvenido a nuestra demo de producto. Hoy te mostraré..."
}' > voz.json
# 2. Crear video avatar con la voz
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://foto-presentador.jpg",
"audio_url": "<url-de-audio-del-paso-1>"
}'
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 voz en el nuevo idioma
belt app run infsh/kokoro-tts --input '{"text": "<texto-traducido>"}' > nueva_voz.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-nuevo-audio>"
}'
Casos de Uso
- Marketing: Demos de producto con presentador AI
- Educación: Videos de curso, explicaciones
- Localización: Doblaje de contenido en múltiples idiomas
- Redes Sociales: Influencer virtual consistente
- Corporativo: Videos de capacitación, anuncios
- Videojuegos: Avatares de personajes, diálogo de NPCs
Consejos
- Usa fotos de retrato de alta calidad (de frente, buena iluminación)
- El audio debe ser claro con mínimo ruido de fondo
- P-Video-Avatar soporta TTS incorporado — no necesita un paso separado de generación de voz
- 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 sola imagen
- LatentSync es el mejor para sincronizar videos existentes con nuevo audio
Skills Relacionados
# Skill dedicado de P-Video-Avatar
npx skills add inference-sh/skills@p-video-avatar
# Skill completo de la plataforma (más de 250 apps)
npx skills add inference-sh/skills@infsh-cli
# Texto a voz (generar audio para modelos de avatar sin TTS)
npx skills add inference-sh/skills@text-to-speech
# Voz a texto (transcribir 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 (crear imágenes de avatar)
npx skills add inference-sh/skills@ai-image-generation
Explora todas las apps de video: belt app list --category video
Documentación
- Ejecutando Apps - Cómo ejecutar apps desde la CLI
- Ejemplo de Pipeline de Contenido - Construcción de flujos multimedia
- Resultados en Streaming - Actualizaciones de progreso en tiempo real