用途
本技能用于使用 inference.sh 流水线创建多人在场对话（talking head）播客视频。整体流程为：角色（图片）→ TTS（每轮音频）→ 头像（每轮视频）→ 合并（最终视频）。适用于用户想要创建播客、talking head 视频、样片、宣传对话，或任何多说话人视频内容的场景。支持真人（通过 Phota）、3D 吉祥物、插画角色以及混合阵容。
角色创建
按角色类型选择工具：真人（新）可用 pruna/p-image，16:9、prompt_upsampling: true，快速且无需训练，但多次生成之间身份不一致；真人（身份一致）可用 phota/generate 配合 [[profile_id]]，所有镜头身份一致，但需先训练 Phota 档案；品牌吉祥物/Logo 角色可用 google/gemini-3-pro-image-preview，传入 Logo 与角色设定表作为参考图；插画/风格化可用 google/gemini-3-pro-image-preview，传入风格参考图。
训练 Phota 身份（可选，但对真人推荐）：若需要真人在多个角度和镜头中保持一致身份，先训练 Phota 档案：infsh app run phota/train --input '{"images": ["url1.jpg", "url2.jpg", ...], "wait": true}' --save profile.json。需要 30-50 张该对象的人脸图片；wait: true 时训练需几分钟；返回 profile_id，随后在 phota/generate 的提示中以 [[profile_id]] 使用；档案可永久复用——训练一次，无限生成镜头。若不需要跨镜头一致性（如单说话人视频、仅一个角度），pruna/p-image 更简单、更便宜。
先做角色设定表，再做播客画面：为每个角色生成一张角色设定表（纯白背景、多角度），然后用该设定表作为参考，将角色放入播客工作室场景。对于品牌角色（服装上有 Logo）：先生成穿着无 Logo 版本服装的角色，再用 phota/edit 把 Logo 作为第二参考图添加 Logo；生成新角度时始终随角色参考一并传入 Logo 图片。
交替角度
每个角色至少生成 2 个角度以增加视觉变化：正面/中景用于建立镜头、开场、结尾；特写用于反应、情绪时刻、有冲击力的台词。特写应提示“tight framing, chest up, shallow depth of field”，而不要用“turned to the side”（那只会让人看起来望向别处）。
身份一致性规则：使用 Phota 档案的真人，新角度须用 phota/generate 或 phota/edit——Gemini 不保留人脸身份，会生成另一个人；没有 Phota 档案的真人，尽量用 pruna/p-image 一次生成所有所需角度，或若需要大量镜头则考虑训练 Phota 档案；吉祥物/插画可用 Gemini 3 Pro，传入已确定画面作为参考。取景规则：对单个说话人使用紧凑取景。多人座位的大全景在画面中只有一人时会露出空椅子。
帧质检
继续前，目视检查所有帧：背景是否多出人、是否出现多个麦克风（每个镜头应只有一个麦克风）、Logo 是否错误或变形、角色在不同角度间身份是否不一致、是否有异常伪影（多余肢体、物体融合）。在生成视频前修复问题——重渲染视频是流水线中最昂贵的步骤。
撰写脚本
自然对话规则：写成真实对话，而不是像轮流念广告文案；包含反应（“wait, hold on”“that is wild”）、打断和追问；轮次长度要有变化——短反应（1 句）与较长解释（2-3 句）混合；主持人应问真实问题，而不是铺垫显而易见的论点；记住总时长目标：1.05x 语速下自然语音约每秒 2.5 个词。时长参考：15 秒约 38 词；30 秒约 75 词；60 秒约 150 词。
生成 TTS 音频
每轮使用 inworld/text-to-speech-2：infsh app run inworld/text-to-speech-2 --input '{"text": "...", "voice_id": "...", "speaking_rate": 1.05, "audio_encoding": "MP3"}' --save output.json。
声音选择：在确定前，用同一句台词为候选声音生成样本；让用户试听并确认声音。适合播客的声音：Tyler、Nate、Lauren、Kelsey、Naomi、Anjali（EN_US）。使用 inworld/text-to-speech-2:voices 列出所有可用声音。语速：默认 1.05 以获得自然播客节奏；短促反应可用 1.1；绝不低于 1.0——听起来会慢且出戏；每个角色所有轮次保持语速一致。所有 TTS 轮次可并行运行（便宜、快，每次约 2-8 秒）。
生成视频片段
每轮使用 pruna/p-video-avatar：infsh app run pruna/p-video-avatar --input '{"image": "<character_frame_url>", "audio": "<tts_audio_url>", "resolution": "720p", "video_prompt": "..."}' --save output.json。关键：片段须顺序运行，不能并行。并行运行会争抢同一 GPU 并导致 CUDA OOM 失败。每个片段依音频长度约需 15-90 秒。
角度分配方案：在各轮之间交替正面与特写镜头以增加视觉变化。6 轮示例：T1 说话人 A 正面；T2 说话人 B 正面；T3 说话人 C 正面（或特写）；T4 说话人 A 特写；T5 说话人 B 特写；T6 说话人 A 正面。
合并
使用 infsh/media-merger 将所有片段拼接为最终视频。输入 JSON 示例：{"media_files": [{"file": "<clip1_url>"}, {"file": "<clip2_url>"}, ...], "fps": 24, "output_format": "mp4"}。运行：infsh app run infsh/media-merger --input merger_input.json --save final.json。Merger 免费，按总时长约需 2-6 分钟。
规则
Gemini 不保留人脸身份——用 Gemini 生成真人新角度会得到另一个人。要保持身份一致的真人镜头，使用带已训练 profile_id 的 Phota，或一次批量生成所有角度。此规则来自一次教训：Gemini 为一张本应与正面镜头匹配的特写生成了完全不同的脸。
绝不要并行运行 p-video-avatar 片段——它们争抢 GPU 显存并以 CUDA OOM 失败。须顺序运行。此规则来自一次教训：3 个并行运行中有 2 个失败。
绝不要把 speaking_rate 设在 1.0 以下——听起来不自然且出戏。默认 1.05。来自用户反馈：0.9 语速“felt weird and disengaging”。
生成视频前始终对帧做质检——视频生成是流水线中最昂贵的步骤。在图像阶段发现双麦克风或错误 Logo 修复成本很低；视频生成后才发现则意味着重渲染整个片段。
单个说话人镜头始终使用紧凑取景——大全景/建立镜头会在其他说话人应在的位置露出空椅子。取景从腰部或胸部以上，避免露出空椅子。
生成品牌角色时始终把 Logo 作为参考图传入——用文字描述 Logo 会产生错误结果。把实际 Logo 文件作为第二张图片输入传入。
完整制作前始终先获得声音确认——用同一句台词为 5-8 个候选声音生成样本，让用户在投入完整脚本前挑选。
脚本应读起来像对话，而不是广告——人们轮流念广告文案听起来很假。包含反应、打断、变化的轮次长度和真实问题。主持人应有性格，而不仅是铺垫论点。
应用参考
pruna/p-image：从文本生成人像。phota/train：从 30-50 张人脸图片训练身份档案。phota/generate：通过 [[profile_id]] 用已训练身份生成图片。phota/edit：在保留已知对象身份的前提下编辑图片。google/gemini-3-pro-image-preview：图像生成/编辑、吉祥物、风格迁移。inworld/text-to-speech-2：文本转语音，100+ 语言，声音控制。pruna/p-video-avatar：人像 + 音频 → talking head 视频。infsh/media-merger：将多个视频片段拼接为一个视频。可使用 belt task cost <task-id> 查看任何单个任务的成本。