Avatar de IA & Vídeos com Cabeça Falante
Crie avatares de IA e vídeos com cabeça falante via CLI inference.sh.

Início Rápido
Requer a CLI inference.sh (
belt). Instruções de instalação
belt login
# Recomendado: P-Video-Avatar (mais rápido, mais barato, TTS integrado)
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Olá, bem-vindo à nossa demonstração do produto!",
"voice": "Zephyr (Feminina)"
}'
Modelos Disponíveis
Comece com P-Video-Avatar — é 18x mais rápido e 6x mais barato que as alternativas, com TTS integrado, fundos dinâmicos e suporte a 1080p.
| Modelo | ID do App | Melhor Para | TTS Integrado |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | Melhor geral: velocidade, custo, qualidade, controle | Sim (30 vozes, 10 idiomas) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | Múltiplos personagens, guiado por áudio | Não |
| Fabric 1.0 | falai/fabric-1-0 | Imagem fala com sincronia labial | Sim |
| PixVerse Lipsync | falai/pixverse-lipsync | Sincronia labial altamente realista | Não |
Comparação de Custo e Velocidade
| Modelo | Velocidade (por segundo de vídeo) | Custo por segundo |
|---|---|---|
| P-Video-Avatar | ~1,83 s/s | $0,025 |
| OmniHuman 1.5 | ~28 s/s (15x mais lento) | $0,16 (6,4x mais) |
| Fabric 1.0 | ~34 s/s (18x mais lento) | $0,14 (5,6x mais) |
Exemplos
P-Video-Avatar (Recomendado)
Gere avatar a partir de retrato + script de texto com TTS integrado:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Bem-vindo ao nosso passo a passo do produto. Hoje vou mostrar três recursos principais.",
"voice": "Puck (Masculina)",
"voice_language": "Português (Brasil)",
"resolution": "720p"
}'
Com controle de estilo personalizado:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Esta é uma notícia emocionante!",
"voice": "Aoede (Feminina)",
"voice_prompt": "Tom entusiasmado e energético",
"video_prompt": "A pessoa está apresentando no palco com iluminação dramática",
"resolution": "1080p"
}'
Com arquivo de áudio em vez de TTS:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"audio": "https://speech.mp3"
}'
Fluxo de Trabalho Completo: Gerar Retrato + Avatar
Use o Pruna P-Image para gerar o retrato e depois crie o avatar:
# 1. Gere uma imagem de retrato
belt app run pruna/p-image --input '{
"prompt": "retrato profissional de uma mulher jovem, fundo neutro, olhando para a câmera, iluminação de estúdio, fotorrealista",
"aspect_ratio": "9:16"
}'
# 2. Crie o vídeo avatar com TTS integrado
belt app run pruna/p-video-avatar --input '{
"image": "<url-da-imagem-do-passo-1>",
"voice_script": "Olá! Deixe-me guiá-lo pelos nossos recursos mais recentes.",
"voice": "Zephyr (Feminina)"
}'
OmniHuman 1.5 (Múltiplos Personagens)
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
Suporta especificar qual personagem deve ser animado em imagens com várias pessoas.
Fabric 1.0 (Imagem Fala)
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"
}'
Fluxo de Trabalho Completo: TTS + Avatar (Modelos sem TTS)
Para modelos sem TTS integrado, gere o áudio primeiro:
# 1. Gere fala a partir do texto
belt app run infsh/kokoro-tts --input '{
"prompt": "Bem-vindo à nossa demonstração do produto. Hoje vou mostrar..."
}' > speech.json
# 2. Crie o vídeo avatar com o áudio gerado
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://foto-apresentador.jpg",
"audio_url": "<url-do-audio-do-passo-1>"
}'
Fluxo de Trabalho Completo: Dublar Vídeo em Outro Idioma
# 1. Transcreva o vídeo original
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. Traduza o texto (manualmente ou com um LLM)
# 3. Gere fala no novo idioma
belt app run infsh/kokoro-tts --input '{"text": "<texto-traduzido>"}' > new_speech.json
# 4. Sincronize os lábios do vídeo original com o novo áudio
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://video-original.mp4",
"audio_url": "<url-do-novo-audio>"
}'
Casos de Uso
- Marketing: Demonstrações de produtos com apresentador IA
- Educação: Vídeos de curso, explicadores
- Localização: Dublar conteúdo em vários idiomas
- Redes Sociais: Influenciador virtual consistente
- Corporativo: Vídeos de treinamento, comunicados
- Jogos: Avatares de personagens, diálogos de NPC
Dicas
- Use fotos de retrato de alta qualidade (de frente, com boa iluminação)
- O áudio deve ser claro com ruído de fundo mínimo
- P-Video-Avatar suporta TTS integrado — não é necessário uma etapa separada de geração de fala
- A proporção de aspecto da saída do P-Video-Avatar corresponde à imagem de entrada
- Gere retratos com
pruna/p-imageusando proporção9:16para vídeos verticais - OmniHuman 1.5 suporta várias pessoas em uma única imagem
- LatentSync é o melhor para sincronizar vídeos existentes com novo áudio
Habilidades Relacionadas
# Habilidade dedicada do P-Video-Avatar
npx skills add inference-sh/skills@p-video-avatar
# Habilidade da plataforma completa (mais de 250 apps)
npx skills add inference-sh/skills@infsh-cli
# Texto para fala (gerar áudio para modelos de avatar sem TTS)
npx skills add inference-sh/skills@text-to-speech
# Fala para texto (transcrever para dublagem)
npx skills add inference-sh/skills@speech-to-text
# Geração de vídeo
npx skills add inference-sh/skills@ai-video-generation
# Geração de imagem (criar imagens de avatar)
npx skills add inference-sh/skills@ai-image-generation
Navegue por todos os apps de vídeo: belt app list --category video
Documentação
- Executando Apps - Como executar apps via CLI
- Exemplo de Pipeline de Conteúdo - Construindo fluxos de trabalho de mídia
- Resultados em Streaming - Atualizações de progresso em tempo real