这是一套面向 AI 虚拟形象与口播视频生成的技能，核心是借助 inference.sh CLI（命令为 belt）调用云端模型应用来制作视频。
用途： 主要用于根据一张人像图片配合文字脚本或音频，生成人物说话、对口型的视频，可覆盖营销、教育、配音、社交媒体等场景。
主要能力： 资料给出了多个可用模型：推荐 P-Video-Avatar（应用 ID 为 pruna/p-video-avatar），内置 TTS，支持 30 种声音、10 种语言、动态背景与 1080p，输入图片决定输出宽高比；OmniHuman 1.5（bytedance/omnihuman-1-5）为音频驱动、支持多人图像并指定驱动人物；Fabric 1.0（falai/fabric-1-0）为图像唇同步且内置 TTS；PixVerse Lipsync（falai/pixverse-lipsync）主打高写实唇同步。资料还列出速度与成本对比：P-Video-Avatar 约 1.83 秒/每秒视频、0.025 美元/秒；OmniHuman 1.5 约 28 秒/每秒视频、0.16 美元/秒；Fabric 1.0 约 34 秒/每秒视频、0.14 美元/秒。
使用方式： 先安装 belt CLI 技能：npx skills add belt-sh/cli，并执行 belt login 登录。然后通过 belt app run 加应用 ID 和 JSON 输入调用。P-Video-Avatar 可只传图片与 voice_script，配合 voice、voice_language、resolution、voice_prompt、video_prompt 等参数；也可传 audio 音频文件替代 TTS。非内置 TTS 的模型需先生成语音，例如用 inworld/text-to-speech-2 生成语音，再把音频 URL 传给 omniHuman 1.5。资料还给出完整工作流示例，包括“先生成人像再生成头像”“TTS + 头像”“将视频配音成另一种语言（转录、翻译、生成语音、唇同步）”“UGC 生成”“同一产品多播报者批量生成”等。
适用场景： 资料列举 UGC 与营销（产品演示、UGC 风格广告）、教育（课程视频、讲解）、本地化（一张图配音成 10 种语言）、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）。
限制与注意事项： 需要先安装并登录 belt CLI；非 TTS 模型需要额外生成语音步骤；建议使用高质量、正面、光线良好的人像照片和清晰、低背景噪音的音频；P-Video-Avatar 输出宽高比跟随输入图片，制作竖版视频可用 pruna/p-image 以 9:16 生成人像；LatentSync 适合把已有视频同步到新音频；OmniHuman 1.5 支持一张图中多人。资料未提供官方定价、平台支持范围、隐私政策、并发限制、商用授权、语言完整清单之外的细节，以上信息暂未提供。