belt CLIスキルのインストール:
npx skills add belt-sh/cli
AIアバター&トーキングヘッド動画 は何をしますか?
inference.sh CLIを介してAIアバターとトーキングヘッド動画を作成します。

クイックスタート
inference.sh CLI (
belt) が必要です。 インストール手順
belt login
# 推奨: P-Video-Avatar(最速、最安、TTS内蔵)
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "こんにちは、製品デモへようこそ!",
"voice": "Zephyr (Female)"
}'
利用可能なモデル
P-Video-Avatarから始めましょう — 代替モデルより18倍高速で6倍低コスト、内蔵TTS、ダイナミック背景、1080p対応。
| モデル | アプリID | 最適な用途 | 内蔵TTS |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | 総合最適:速度、コスト、品質、制御 | あり(30音声、10言語) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | マルチキャラクター、音声駆動 | なし |
| Fabric 1.0 | falai/fabric-1-0 | 画像トーク、リップシンク | あり |
| PixVerse Lipsync | falai/pixverse-lipsync | 高リアルなリップシンク | なし |
コスト&速度比較
| モデル | 速度(動画1秒あたり) | コスト(1秒あたり) |
|---|---|---|
| P-Video-Avatar | 約1.83秒/秒 | $0.025 |
| OmniHuman 1.5 | 約28秒/秒(15倍遅い) | $0.16(6.4倍高い) |
| Fabric 1.0 | 約34秒/秒(18倍遅い) | $0.14(5.6倍高い) |
使用例
P-Video-Avatar(推奨)
ポートレートとテキストスクリプトから内蔵TTSでアバターを生成:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "製品ウォークスルーへようこそ。今日は3つの主要機能をご紹介します。",
"voice": "Puck (Male)",
"voice_language": "日本語",
"resolution": "720p"
}'
カスタムスタイル制御:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "これはエキサイティングなニュースです!",
"voice": "Aoede (Female)",
"voice_prompt": "熱意とエネルギーにあふれたトーン",
"video_prompt": "人物がドラマチックな照明のステージでプレゼンテーションをしている",
"resolution": "1080p"
}'
TTSの代わりに音声ファイルを使用:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"audio": "https://speech.mp3"
}'
完全ワークフロー:ポートレート生成 + アバター
Pruna P-Imageでポートレートを生成し、アバターを作成:
# 1. ポートレート画像を生成
belt app run pruna/p-image --input '{
"prompt": "若い女性のプロフェッショナルなヘッドショットポートレート、ニュートラルな背景、カメラを見ている、スタジオ照明、フォトリアリスティック",
"aspect_ratio": "9:16"
}'
# 2. 内蔵TTSでアバター動画を作成
belt app run pruna/p-video-avatar --input '{
"image": "<step-1の画像URL>",
"voice_script": "こんにちは!最新機能をご案内しますね。",
"voice": "Zephyr (Female)"
}'
OmniHuman 1.5(マルチキャラクター)
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
複数人物の画像内で駆動するキャラクターを指定可能です。
Fabric 1.0(画像トーク)
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"
}'
完全ワークフロー:TTS + アバター(TTS非搭載モデル用)
内蔵TTSがないモデル(OmniHuman、PixVerse)の場合は、先に音声を生成します:
# 1. 音声生成 — 表現力豊かなキャラクターボイスのInworld TTS-2
belt app run inworld/text-to-speech-2 --input '{
"text": "[friendly] 製品デモへようこそ! [excited] 仕事の仕方を変える3つの機能をご紹介します。",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}' > speech.json
# 2. 音声を使ってアバター動画を作成
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://presenter-photo.jpg",
"audio_url": "<step-1の音声URL>"
}'
ヒント: ほとんどのユースケースでは、内蔵TTS付きのP-Video-Avatarの方が簡単です(別途音声ステップは不要)。このワークフローは、OmniHuman(マルチキャラクター)やPixVerse(リアルなリップシンク)が特に必要な場合にのみ使用してください。
完全ワークフロー:動画を別言語に吹き替え
# 1. 元の動画を文字起こし
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. テキストを翻訳(手動またはLLMを使用)
# 3. 新しい言語で音声を生成
belt app run infsh/kokoro-tts --input '{"text": "<翻訳済みテキスト>"}' > new_speech.json
# 4. 元の動画に新しい音声でリップシンク
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<新しい音声URL>"
}'
アバターUGC生成
P-Video-AvatarでUGCスタイルのコンテンツを作成 — 内蔵TTS、別途音声ステップ不要:
# 1. 親しみやすいUGCスタイルのポートレートを生成
belt app run pruna/p-image --input '{
"prompt": "若い女性のカジュアルな自撮り風写真、居心地の良い部屋、自然光、カメラを見ている、温かい笑顔、本物の雰囲気",
"aspect_ratio": "9:16"
}'
# 2. 内蔵TTSでUGCアバター動画を作成
belt app run pruna/p-video-avatar --input '{
"image": "<step-1の画像URL>",
"voice_script": "この製品を試してみたんだけど、正直言って?ゲームチェンジャーだよ。こんなに気に入るとは思わなかった!",
"voice": "Zephyr (Female)",
"voice_prompt": "興奮した、カジュアルで、友達と話すような本物のトーン",
"video_prompt": "人物が部屋でカメラに向かってカジュアルに話している、自然なジェスチャー",
"resolution": "1080p"
}'
UGCにP-Video-Avatarを選ぶ理由
- オールインワン — 内蔵TTSで別途音声生成ステップ不要
- 30音声、10言語 — ターゲットオーディエンスにマッチ
- 音声+動画プロンプト — トーン、感情、ボディランゲージ、背景を個別に制御可能
- 18倍高速、6倍低コスト — Fabric/OmniHuman/HeyGenと比較してUGCを大規模に生産
- 1080p対応 — 1枚のポートレート画像からプラットフォーム対応の縦型動画を作成
バッチUGC:同じ製品、複数のプレゼンター
# 3人の異なるプレゼンターを生成
for voice in "Zephyr (Female)" "Puck (Male)" "Aoede (Female)"; do
belt app run pruna/p-video-avatar --input "{
\"image\": \"https://portrait.jpg\",
\"voice_script\": \"これで朝のルーティンが完全に変わった。5分で終わるんだ。\",
\"voice\": \"$voice\",
\"voice_prompt\": \"カジュアルで本物、実際の体験談のように\",
\"video_prompt\": \"明るいキッチンでカメラに向かって話す人物\",
\"resolution\": \"1080p\"
}"
done
ユースケース
- UGC&マーケティング: 製品デモ、AIプレゼンターによるUGCスタイル広告
- 教育: コース動画、解説動画
- ローカライゼーション: 1枚の画像から10言語でコンテンツを吹き替え
- ソーシャルメディア: 一貫性のあるバーチャルインフルエンサーコンテンツ
- 企業: トレーニング動画、お知らせ
- ゲーミング: キャラクターアバター、NPC会話
ヒント
- 高品質なポートレート写真を使用(正面を向き、良好な照明)
- 音声はクリアで、バックグラウンドノイズが少ないものが良い
- P-Video-Avatarは内蔵TTS対応 — 別途音声生成ステップは不要
- P-Video-Avatarの出力アスペクト比は入力画像に一致
- 縦型動画には
pruna/p-imageで9:16のアスペクト比でポートレートを生成 - OmniHuman 1.5は1枚の画像内の複数人物に対応
- LatentSyncは既存動画を新しい音声に同期させるのに最適
関連スキル
# P-Video-Avatar専用スキル
npx skills add inference-sh/skills@p-video-avatar
# フルプラットフォームスキル(全250以上のアプリ)
npx skills add inference-sh/skills@infsh-cli
# テキスト読み上げ(TTS非搭載アバターモデル用の音声生成)
npx skills add inference-sh/skills@text-to-speech
# 音声認識(吹き替え用の文字起こし)
npx skills add inference-sh/skills@speech-to-text
# 動画生成
npx skills add inference-sh/skills@ai-video-generation
# 画像生成(アバター画像の作成)
npx skills add inference-sh/skills@ai-image-generation
全ビデオアプリを閲覧: belt app store --category video
ドキュメント
- アプリの実行 - CLIでアプリを実行する方法
- コンテンツパイプライン例 - メディアワークフローの構築
- ストリーミング結果 - リアルタイムの進捗更新