belt CLIスキルをインストール:
npx skills add belt-sh/cli
AIアバター＆トーキングヘッド動画
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、内蔵TTS）
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倍安価、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 | 総合最良：速度、コスト、品質、制御 | あり（30の音声、10言語） |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | 複数キャラクター、音声駆動 | なし |
| Fabric 1.0 | falai/fabric-1-0 | 画像トーク（リップシンク付き） | 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） | 1秒あたりのコスト |
|---|---|---|
| P-Video-Avatar | ~1.83秒/秒 | $0.025 |
| OmniHuman 1.5 | ~28秒/秒（15倍遅い） | $0.16（6.4倍高い） |
| Fabric 1.0 | ~34秒/秒（18倍遅い） | $0.14（5.6倍高い） |
使用例
P-Video-Avatar（推奨）
ポートレート画像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。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付き：
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": "熱意と元気のあるトーン",
"video_prompt": "ドラマチックな照明のステージでプレゼンしている人物",
"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＋アバター作成
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": "<ステップ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（複数キャラクター）
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
複数人物画像内のどのキャラクターを駆動するかを指定可能。
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非対応モデル）
内蔵TTSがないモデル（OmniHuman、PixVerse）の場合は、まず音声を生成：
# 1. 音声を生成 — Inworld TTS-2で表現豊かなキャラクターボイス
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": "<ステップ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の方がシンプルで、別途音声ステップは不要です。このワークフローは、OmniHuman（複数キャラクター）やPixVerse（高リアルリップシンク）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：別言語への動画吹き替え
# 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で）
# 3. 新しい言語で音声を生成
belt app run infsh/kokoro-tts --input '{"text": "<翻訳テキスト>"}' > new_speech.json
# 4. 元の動画を新しい音声にリップシンク
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、カメラ目線、温かい笑顔、本物らしさ",
"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": "<ステップ1の画像URL>",
"voice_script": "えっとね、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。こんなに好きになると思わなかった！",
"voice": "Zephyr (Female)",
"voice_prompt": "友達に話すような、興奮したカジュアルで本物のトーン",
"video_prompt": "部屋でカジュアルにカメラに向かって話している人物、自然なジェスチャー",
"resolution": "1080p"
}'
UGCにおけるP-Video-Avatarの利点
- オールインワン — 内蔵TTSで別途音声生成ステップ不要
- 30の音声、10言語 — ターゲットオーディエンスに合わせる
- 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
- 18倍高速、6倍安価 — Fabric/OmniHuman/HeyGenと比較して大規模UGC制作に最適
- 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生成
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りました。5分で終わります。\",
\"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プレゼンターを使った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
- ゲーム: 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する（正面、良好な照明）
- 音声はクリアで、背景ノイズが最小限であること
- 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のアスペクト比を使用して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は既存の動画を新しい音声に同期するのに最適
関連スキル
# 専用P-Video-Avatarスキル
npx skills add inference-sh/skills@p-video-avatar
# 全プラットフォームスキル（全アプリ）
npx skills add inference-sh/skills@infsh-cli
# テキスト読み上げ（TTS非対応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
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を介したアプリの実行方法
- 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 - リアルタイム進行状況の更新