安装 belt CLI 技能：
npx skills add belt-sh/cli
AI 虚拟形象与说话头像视频
通过 inference.sh CLI 创建 AI 虚拟形象和说话头像视频。
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，并内置 TTS、动态背景和 1080p 支持。
| 模型 | 应用 ID | 最适合场景 | 内置 TTS |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | 最佳整体：速度、成本、质量、控制 | 是（30 种声音、10 种语言） |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | 多人角色、音频驱动 | 否 |
| Fabric 1.0 | falai/fabric-1-0 | 图像说话带唇同步 | 是 |
| PixVerse Lipsync | falai/pixverse-lipsync | 高真实感唇同步 | 否 |
成本与速度对比
| 模型 | 速度（每秒钟视频） | 每秒成本 |
|---|---|---|
| P-Video-Avatar | ~1.83秒/秒 | $0.025 |
| OmniHuman 1.5 | ~28秒/秒（慢 15 倍） | $0.16（贵 6.4 倍） |
| Fabric 1.0 | ~34秒/秒（慢 18 倍） | $0.14（贵 5.6 倍） |
示例
P-Video-Avatar（推荐）
从肖像照和文本脚本生成虚拟形象，内置 TTS：
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "欢迎来到我们的产品演示。今天我将向您展示三个关键功能。",
"voice": "Puck (Male)",
"voice_language": "English (US)",
"resolution": "720p"
}'
带自定义风格控制：
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "这真是个激动人心的消息！",
"voice": "Aoede (Female)",
"voice_prompt": "热情、充满活力的语调",
"video_prompt": "此人正在舞台上演讲，灯光富有戏剧性",
"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 + 虚拟形象
使用 Pruna P-Image 生成肖像，然后创建虚拟形象：
# 1. 生成肖像图像
belt app run pruna/p-image --input '{
"prompt": "一位年轻女性的专业头像特写，中性背景，看向镜头，影室灯光，真实感",
"aspect_ratio": "9:16"
}'
# 2. 使用内置 TTS 创建虚拟形象视频
belt app run pruna/p-video-avatar --input '{
"image": "<步骤1中的图片URL>",
"voice_script": "大家好！让我为您介绍一下我们的最新功能。",
"voice": "Zephyr (Female)"
}'
OmniHuman 1.5（多人角色）
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
支持在多人图像中指定驱动哪个角色。
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 + 虚拟形象（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 用于表现力丰富的角色语音
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. 使用该语音创建虚拟形象视频
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，使用内置 TTS 的 P-Video-Avatar 更简单 — 无需单独的音频步骤。仅在您特别需要 OmniHuman（多人角色）或 PixVerse（真实感唇同步）时使用本工作流。
完整工作流：另一种语言的视频配音
# 1. 转录原始视频
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. 翻译文本（手动或使用大语言模型）
# 3. 用新语言生成语音
belt app run infsh/kokoro-tts --input '{"text": "<翻译后的文本>"}' > new_speech.json
# 4. 用新音频将原始视频进行唇同步
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<新音频URL>"
}'
虚拟形象 UGC 生成
使用 P-Video-Avatar 创建 UGC 风格内容 — 内置 TTS，无需单独的音频步骤：
# 1. 生成具有亲和力的 UGC 风格肖像
belt app run pruna/p-image --input '{
"prompt": "年轻女性在舒适房间里的随意自拍风格照片，自然光线，看向镜头，温暖微笑，真实感",
"aspect_ratio": "9:16"
}'
# 2. 使用内置 TTS 创建 UGC 虚拟形象视频
belt app run pruna/p-video-avatar --input '{
"image": "<步骤1中的图片URL>",
"voice_script": "好吧，我刚刚试了这个产品，说实话？这简直太棒了。我没想到会这么喜欢它，但就是这样！",
"voice": "Zephyr (Female)",
"voice_prompt": "兴奋、随意、真实的语气，就像和朋友聊天一样",
"video_prompt": "此人在房间里随意对着镜头说话，自然手势",
"resolution": "1080p"
}'
为什么选择 P-Video-Avatar 用于 UGC
- 一站式 — 内置 TTS，无需单独的音频生成步骤
- 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 — 相比 Fabric/OmniHuman/HeyGen 可大规模生产 UGC
- 1080p 支持 — 单张肖像照片即可生成平台可用的竖屏视频
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，像真实推荐\",
\"video_prompt\": \"人在明亮的厨房里对着镜头说话\",
\"resolution\": \"1080p\"
}"
done
用例
- UGC 与营销：产品演示、AI 主持人 UGC 风格广告
- 教育：课程视频、讲解视频
- 本地化：用一张图像为 10 种语言进行配音
- 社交媒体：一致的虚拟影响者内容
- 企业：培训视频、公告
- 游戏：角色虚拟形象、NPC 对话
小贴士
- 使用高质量肖像照片（正面、光线充足）
- 音频应清晰，背景噪音最小
- P-Video-Avatar 支持内置 TTS — 无需单独的语音生成步骤
- P-Video-Avatar 输出宽高比与输入图像一致
- 使用
pruna/p-image生成9:16宽高比的肖像，用于竖屏视频 - OmniHuman 1.5 支持单个图像中的多人
- 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（所有应用）
npx skills add inference-sh/skills@infsh-cli
# 文本转语音（为非 TTS 虚拟形象模型生成音频）
npx skills add inference-sh/skills@text-to-speech
# 语音转文本（为配音进行转录）
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（创建虚拟形象图像）
npx skills add inference-sh/skills@ai-image-generation
浏览所有视频应用：belt app list --category video