AIアバター&トーキングヘッド動画
inference.sh CLI経由で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
まずはP-Video-Avatarをお試しください — 競合比18倍高速、6倍低コスト、内蔵TTS、動的背景、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 | 総合最優:速度、コスト、品質、制御性 | あり(30音声、10言語) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | 多人数、音声駆動 | なし |
| Fabric 1.0 | falai/fabric-1-0 | 画像が喋る、リップシンク | あり |
| PixVerse Lipsync | falai/pixverse-lipsync | 高精度リップシンク | なし |
コストと速度の比較
| 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倍低速) | $0.16(6.4倍高額) |
| Fabric 1.0 | 約34秒/秒(18倍低速) | $0.14(5.6倍高額) |
使用例
P-Video-Avatar(推奨)
ポートレート画像+テキストスクリプトから内蔵TTSでアバター生成:
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。本日は3つの主要機能をご紹介します。",
"voice": "Puck (Male)",
"voice_language": "English (US)",
"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": "熱意とエネルギーのある口調",
"video_prompt": "人物が舞台でドラマチックな照明の下に立っている",
"resolution": "1080p"
}'
音声ファイルを使用(TTSの代わり):
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": "プロフェッショナルな若い女性のヘッドショットポートレート、ニュートラルな背景、カメラ目線、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。",
"voice": "Zephyr (Female)"
}'
OmniHuman 1.5(多人数対応)
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
複数人物が写った画像から、駆動する人物を指定可能。
Fabric 1.0(画像が喋る)
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(非TTSモデル向け)
内蔵TTSのないモデルの場合、まず音声を生成:
# 1. テキストから音声を生成
belt app run infsh/kokoro-tts --input '{
"prompt": "製品デモへようこそ。本日は..."
}' > speech.json
# 2. その音声で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>"
}'
完全ワークフロー:別言語への吹き替え
# 1. 元動画の音声を文字起こし
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. 翻訳テキストから新しい音声を生成
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>"
}'
ユースケース
- マーケティング: AIプレゼンターによる製品デモ
- 教育: コース動画、解説動画
- ローカリゼーション: 多言語コンテンツの吹き替え
- SNS: 一貫性のあるバーチャルインフルエンサー
- 企業研修: トレーニング動画、お知らせ
- ゲーム: キャラクターアバター、NPCのセリフ
ヒント
- 高品質なポートレート写真を使用(正面、良好な照明)
- 音声はバックグラウンドノイズが少ないクリアなものを使用
- P-Video-Avatarは内蔵TTS対応 — 別途音声生成の必要はありません
- P-Video-Avatarの出力アスペクト比は入力画像に準じます
- 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枚の画像に複数人物をサポート
- LatentSyncは既存動画に新しい音声を同期するのに最適
関連スキル
# 専用P-Video-Avatar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(250以上のアプリ)
npx skills add inference-sh/skills@infsh-cli
# テキスト読み上げ(非TTSアバターモデル向け音声生成)
npx skills add inference-sh/skills@text-to-speech
# 音声認識(吹き替え用文字起こし)
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
すべての動画アプリを参照:belt app list --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の例 - 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