安装 belt CLI 技能:
npx skills add belt-sh/cli
AI 头像与说话头像视频
通过 inference.sh CLI 创建 AI 头像和说话头像视频。

快速开始
需要 inference.sh CLI(
belt)。安装说明
belt login
# 推荐:P-Video-Avatar(最快、最便宜、内置 TTS)
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "你好,欢迎来到我们的产品演示!",
"voice": "Zephyr (Female)"
}'
可用模型
从 P-Video-Avatar 开始——它比替代方案快 18 倍、便宜 6 倍,且内置 TTS、动态背景和 1080p 支持。
| 模型 | 应用 ID | 最适合 | 内置 TTS |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | 整体最佳:速度、成本、质量、控制 | 是(30 种声音、10 种语言) |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | 多角色、音频驱动 | 否 |
| Fabric 1.0 | falai/fabric-1-0 | 图像说话 + 唇形同步 | 是 |
| PixVerse Lipsync | falai/pixverse-lipsync | 高真实度唇形同步 | 否 |
成本与速度对比
| 模型 | 速度(每秒钟视频) | 每秒成本 |
|---|---|---|
| P-Video-Avatar | ~1.83s/s | $0.025 |
| OmniHuman 1.5 | ~28s/s(慢 15 倍) | $0.16(贵 6.4 倍) |
| Fabric 1.0 | ~34s/s(慢 18 倍) | $0.14(贵 5.6 倍) |
示例
P-Video-Avatar(推荐)
通过内置 TTS 从肖像 + 文本脚本生成头像:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "欢迎来到我们的产品介绍。今天我将向您展示三个关键功能。",
"voice": "Puck (Male)",
"voice_language": "Chinese (Simplified)",
"resolution": "720p"
}'
自定义风格控制:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "这是个激动人心的消息!",
"voice": "Aoede (Female)",
"voice_prompt": "充满热情和活力的语气",
"video_prompt": "此人在舞台上演讲,灯光戏剧化",
"resolution": "1080p"
}'
使用音频文件代替 TTS:
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"audio": "https://speech.mp3"
}'
完整工作流:生成肖像 + 头像
使用 Pruna P-Image 生成肖像,然后创建头像:
# 1. 生成肖像图像
belt app run pruna/p-image --input '{
"prompt": "专业头像照,年轻女性,中性背景,看向镜头,摄影棚灯光,照片级真实感",
"aspect_ratio": "9:16"
}'
# 2. 使用内置 TTS 创建头像视频
belt app run pruna/p-video-avatar --input '{
"image": "<步骤 1 中的图像 URL>",
"voice_script": "嗨!让我带您了解我们的最新功能。",
"voice": "Zephyr (Female)"
}'
OmniHuman 1.5(多角色)
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
支持在多人物图像中指定要驱动的角色。
Fabric 1.0(图像说话)
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"
}'
完整工作流:TTS + 头像(非 TTS 模型)
对于没有内置 TTS 的模型(OmniHuman、PixVerse),先生成语音:
# 1. 生成语音—Inworld TTS-2 用于富有表现力的角色声音
belt app run inworld/text-to-speech-2 --input '{
"text": "[友好] 欢迎来到我们的产品演示![兴奋] 让我向您展示三个将改变您工作方式的功能。",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}' > speech.json
# 2. 使用生成的语音创建头像视频
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://presenter-photo.jpg",
"audio_url": "<步骤 1 中的音频 URL>"
}'
提示:对于大多数用例,带有内置 TTS 的 P-Video-Avatar 更简单—无需独立的音频生成步骤。仅在您特别需要 OmniHuman(多角色)或 PixVerse(真实唇形同步)时才使用此工作流。
完整工作流:用另一种语言配音视频
# 1. 转写原始视频
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. 翻译文本(手动或使用 LLM)
# 3. 以新语言生成语音
belt app run infsh/kokoro-tts --input '{"text": "<翻译后的文本>"}' > new_speech.json
# 4. 将原始视频与新音频进行唇形同步
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<新音频 URL>"
}'
头像 UGC 生成
使用 P-Video-Avatar 创建 UGC 风格内容—内置 TTS,无需独立音频步骤:
# 1. 生成一张有共鸣感的 UGC 风格肖像
belt app run pruna/p-image --input '{
"prompt": "年轻女性在舒适房间里的自拍风格照片,自然光,看着镜头,温暖微笑,真实感",
"aspect_ratio": "9:16"
}'
# 2. 使用内置 TTS 创建 UGC 头像视频
belt app run pruna/p-video-avatar --input '{
"image": "<步骤 1 中的图像 URL>",
"voice_script": "好吧,我刚试了这个产品,说实话?它彻底改变了游戏规则。我没想到会这么喜欢它,但就这样发生了!",
"voice": "Zephyr (Female)",
"voice_prompt": "兴奋、随意、像和朋友聊天一样的真实语气",
"video_prompt": "此人正在房间里随意对着相机说话,自然的手势",
"resolution": "1080p"
}'
为什么选择 P-Video-Avatar 做 UGC
- 全合一—内置 TTS 意味着无需独立的音频生成步骤
- 30 种声音、10 种语言—匹配您的目标受众
- 语音 + 视频提示—独立控制语气、情感、肢体语言和背景
- 快 18 倍、便宜 6 倍—与 Fabric/OmniHuman/HeyGen 相比,可大规模生产 UGC
- 1080p 支持—从单个肖像图像即可生成平台就绪的竖屏视频
批量 UGC:同一产品,多个主持人
# 生成 3 个不同的主持人
for voice in "Zephyr (Female)" "Puck (Male)" "Aoede (Female)"; do
belt app run pruna/p-video-avatar --input "{
\"image\": \"https://portrait.jpg\",
\"voice_script\": \"这款产品完全改变了我的晨间习惯。五分钟就搞定了。\",
\"voice\": \"$voice\",
\"voice_prompt\": \"随意、真实,像一个真实的推荐\",
\"video_prompt\": \"此人在明亮的厨房里对着相机说话\",
\"resolution\": \"1080p\"
}"
done
用例
- UGC 与营销:产品演示、带 AI 主持人的 UGC 风格广告
- 教育:课程视频、讲解视频
- 本地化:从一张图像开始,跨 10 种语言配音内容
- 社交媒体:一致的虚拟网红内容
- 企业:培训视频、公告
- 游戏:角色头像、NPC 对话
提示
- 使用高质量肖像照片(正面、光线良好)
- 音频应清晰,背景噪音最小
- P-Video-Avatar 支持内置 TTS—无需独立的语音生成步骤
- P-Video-Avatar 输出宽高比与输入图像匹配
- 使用
pruna/p-image以9:16宽高比生成竖屏视频肖像 - OmniHuman 1.5 支持单张图像中的多个人物
- LatentSync 最适合将现有视频同步到新音频
相关技能
# 专用 P-Video-Avatar 技能
npx skills add inference-sh/skills@p-video-avatar
# 完整平台技能(所有 250+ 应用)
npx skills add inference-sh/skills@infsh-cli
# 文本到语音(为非 TTS 头像模型生成音频)
npx skills add inference-sh/skills@text-to-speech
# 语音到文本(为配音进行转写)
npx skills add inference-sh/skills@speech-to-text
# 视频生成
npx skills add inference-sh/skills@ai-video-generation
# 图像生成(创建头像图像)
npx skills add inference-sh/skills@ai-image-generation
浏览所有视频应用:belt app store --category video