安裝 belt CLI 技能：
npx skills add belt-sh/cli
AI 頭像與說話頭影片
透過 inference.sh CLI 建立 AI 頭像與說話頭影片。
快速開始
需要 inference.sh CLI (
belt)。安裝說明
belt login
# 推薦：P-Video-Avatar（最快、最便宜、內建 TTS）
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Hello, welcome to our product demo!",
"voice": "Zephyr (Female)"
}'
可用模型
從 P-Video-Avatar 開始 — 它比替代方案快 18 倍、便宜 6 倍，並具有內建 TTS、動態背景和 1080p 支援。
| 模型 | 應用 ID | 最適合 | 內建 TTS |
|---|---|---|---|
| P-Video-Avatar | pruna/p-video-avatar | 整體最佳：速度、成本、品質、控制 | 是（30 種聲音、10 種語言） |
| OmniHuman 1.5 | bytedance/omnihuman-1-5 | 多角色、音訊驅動 | 否 |
| Fabric 1.0 | falai/fabric-1-0 | 圖片說話附帶唇形同步 | 是 |
| PixVerse Lipsync | falai/pixverse-lipsync | 高度逼真的唇形同步 | 否 |
成本與速度比較
| 模型 | 速度（每產生 1 秒影片） | 每秒成本 |
|---|---|---|
| P-Video-Avatar | ~1.83 秒 | $0.025 |
| OmniHuman 1.5 | ~28 秒（慢 15 倍） | $0.16（貴 6.4 倍） |
| Fabric 1.0 | ~34 秒（慢 18 倍） | $0.14（貴 5.6 倍） |
範例
P-Video-Avatar（推薦）
從肖像 + 文字腳本使用內建 TTS 生成頭像：
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "Welcome to our product walkthrough. Today I will show you three key features.",
"voice": "Puck (Male)",
"voice_language": "English (US)",
"resolution": "720p"
}'
使用自訂風格控制：
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"voice_script": "This is exciting news!",
"voice": "Aoede (Female)",
"voice_prompt": "Enthusiastic and energetic tone",
"video_prompt": "The person is presenting on stage with dramatic lighting",
"resolution": "1080p"
}'
使用音訊檔案代替 TTS：
belt app run pruna/p-video-avatar --input '{
"image": "https://portrait.jpg",
"audio": "https://speech.mp3"
}'
完整工作流程：生成肖像 + 頭像
使用 Pruna P-Image 生成肖像，然後建立頭像：
# 1. 生成肖像圖片
belt app run pruna/p-image --input '{
"prompt": "professional headshot portrait of a young woman, neutral background, looking at camera, studio lighting, photorealistic",
"aspect_ratio": "9:16"
}'
# 2. 使用內建 TTS 建立頭像影片
belt app run pruna/p-video-avatar --input '{
"image": "<image-url-from-step-1>",
"voice_script": "Hi there! Let me walk you through our latest features.",
"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"
}'
支援在多人物圖片中指定要驅動的角色。
Fabric 1.0（圖片說話）
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"
}'
完整工作流程：TTS + 頭像（非 TTS 模型）
對於沒有內建 TTS 的模型（OmniHuman、PixVerse），請先生成語音：
# 1. 生成語音 — Inworld TTS-2 提供富有表現力的角色聲音
belt app run inworld/text-to-speech-2 --input '{
"text": "[friendly] Welcome to our product demo! [excited] Let me show you three features that will change how you work.",
"voice_id": "Sarah",
"delivery_mode": "CREATIVE"
}' > speech.json
# 2. 使用語音建立頭像影片
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://presenter-photo.jpg",
"audio_url": "<audio-url-from-step-1>"
}'
提示：對於大多數使用案例，使用內建 TTS 的 P-Video-Avatar 更簡單 — 無需單獨的音訊步驟。僅當您特別需要 OmniHuman（多角色）或 PixVerse（逼真唇形同步）時，才使用此工作流程。
完整工作流程：為影片配上另一種語言的配音
# 1. 轉錄原始影片
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
# 2. 翻譯文字（手動或使用 LLM）
# 3. 用新語言生成語音
belt app run infsh/kokoro-tts --input '{"text": "<translated-text>"}' > new_speech.json
# 4. 將原始影片與新音訊進行唇形同步
belt app run infsh/latentsync-1-6 --input '{
"video_url": "https://original-video.mp4",
"audio_url": "<new-audio-url>"
}'
頭像 UGC 內容生成
使用 P-Video-Avatar 建立 UGC 風格的內容 — 內建 TTS，無需單獨的音訊步驟：
# 1. 生成一張有親和力的 UGC 風格肖像
belt app run pruna/p-image --input '{
"prompt": "casual selfie-style photo of a young woman in a cozy room, natural lighting, looking at camera, warm smile, authentic feel",
"aspect_ratio": "9:16"
}'
# 2. 使用內建 TTS 建立 UGC 頭像影片
belt app run pruna/p-video-avatar --input '{
"image": "<image-url-from-step-1>",
"voice_script": "Okay so I just tried this product and honestly? It is a game changer. I was not expecting to love it this much but here we are!",
"voice": "Zephyr (Female)",
"voice_prompt": "Excited, casual, authentic tone like talking to a friend",
"video_prompt": "The person is talking casually to camera in their room, natural gestures",
"resolution": "1080p"
}'
為何選擇 P-Video-Avatar 進行 UGC 內容生成
- 一體化 — 內建 TTS 意味著無需單獨的音訊生成步驟
- 30 種聲音、10 種語言 — 匹配您的目標受眾
- 聲音 + 影片提示 — 獨立控制語氣、情感、肢體語言和背景
- 快 18 倍、便宜 6 倍 — 與 Fabric/OmniHuman/HeyGen 相比，可大規模生產 UGC 內容
- 支援 1080p — 從單張肖像即可輸出可供平台使用的豎屏影片
批次 UGC：相同產品、多個主持人
# 生成 3 個不同的主持人
for voice in "Zephyr (Female)" "Puck (Male)" "Aoede (Female)"; do
belt app run pruna/p-video-avatar --input "{
\"image\": \"https://portrait.jpg\",
\"voice_script\": \"This changed my morning routine completely. Five minutes and I am done.\",
\"voice\": \"$voice\",
\"voice_prompt\": \"Casual, authentic, like a real testimonial\",
\"video_prompt\": \"Person talking to camera in a bright kitchen\",
\"resolution\": \"1080p\"
}"
done
使用案例
- UGC 與行銷：產品示範、使用 AI 主持人的 UGC 風格廣告
- 教育：課程影片、解說影片
- 本地化：從一張圖片跨 10 種語言進行配音
- 社交媒體：持續發布虛擬網紅內容
- 企業：培訓影片、公告
- 遊戲：角色頭像、NPC 對話
技巧
- 使用高品質的肖像照片（正面、光線良好）
- 音訊應清晰，背景噪音應儘量減少
- P-Video-Avatar 支援內建 TTS — 無需單獨的語音生成步驟
- P-Video-Avatar 的輸出寬高比與輸入圖片匹配
- 使用
pruna/p-image生成9:16寬高比的肖像以製作豎屏影片 - OmniHuman 1.5 支援一張圖片中有多人
- LatentSync 最適合將現有影片與新音訊同步
相關技能
# 專用的 P-Video-Avatar 技能
npx skills add inference-sh/skills@p-video-avatar
# 完整平台技能（所有應用程式）
npx skills add inference-sh/skills@infsh-cli
# 文字轉語音（為非 TTS 頭像模型生成音訊）
npx skills add inference-sh/skills@text-to-speech
# 語音轉文字（用於配音轉錄）
npx skills add inference-sh/skills@speech-to-text
# 影片生成
npx skills add inference-sh/skills@ai-video-generation
# 圖片生成（建立頭像圖片）
npx skills add inference-sh/skills@ai-image-generation
瀏覽所有影片應用程式：belt app list --category video