用途：该技能用于制作 AI 数字人口播视频（talking head），即让一张人像照片开口说话，配合口型同步（lipsync）与配音。底层通过 inference.sh 的 CLI 工具 belt 调用各类应用完成生成。
安装与前置：安装技能命令为 npx skills add belt-sh/cli；使用时需要 inference.sh CLI（belt），并先执行 belt login 登录。
主要能力与模型：推荐模型为 P-Video-Avatar（app id：pruna/p-video-avatar），内置 TTS，含 30 种声音、10 种语言，官方称其比替代方案快 18 倍、便宜 6 倍，速度约 1.83 秒/秒视频，成本约 $0.025/秒。其他可选模型包括 OmniHuman 1.5（bytedance/omnihuman-1-5，无内置 TTS，支持多角色与手势，约 28 秒/秒视频，$0.16/秒）、OmniHuman 1.0（bytedance/omnihuman-1-0，单角色）、Fabric 1.0（falai/fabric-1-0，内置 TTS，图像说话配口型同步，约 34 秒/秒视频，$0.14/秒）、PixVerse Lipsync（falai/pixverse-lipsync，无内置 TTS）。
使用方式：以命令行输入 JSON 参数运行应用。例如用 P-Video-Avatar 只需提供 image 与 voice_script 即可生成；可加 voice、voice_language、resolution、voice_prompt、video_prompt 等参数控制声音与画面风格；也可传入自有 audio 文件做音频驱动。非 TTS 模型需先用 falai/dia-tts 或 infsh/kokoro-tts 生成语音，再作为音频输入。长视频（约超过 60 秒）可拆分为多段、用同一张人像生成后经 infsh/media-merger 合并。多角色对话由 OmniHuman 1.5 支持（最多 2 个角色）。配音已有视频流程为：fast-whisper-large-v3 转写 → 翻译文本 → kokoro-tts 生成新语音 → latentsync-1-6 对原视频做口型同步。
人像要求：需居中构图、头肩可见（胸部以下裁切）、眼睛直视镜头、表情中性、面部清晰无遮挡（无墨镜、重阴影）、高分辨率（面部区域至少 512x512，理想 1024x1024 以上）。可用 P-Image（pruna/p-image）先生成专业人像，支持 9:16 等比例。背景可选纯色、柔和虚化、办公/影棚或动态背景（P-Video-Avatar 用 video_prompt 设置）。
音频要求（非 TTS 流程）：背景噪声应无或极少、音量保持一致、采样率 44.1kHz 或 48kHz、格式为 MP3 128kbps+ 或 WAV，以保证口型同步准确。
可用声音（P-Video-Avatar）：女声 Zephyr、Kore、Leda、Aoede、Callirrhoe、Autonoe、Despina、Erinome、Laomedeia、Achernar、Gacrux、Pulcherrima、Vindemiatrix、Sulafat；男声 Puck、Charon、Fenrir、Orus、Enceladus、Iapetus、Umbriel、Algenib、Algieba、Schedar、Achird、Zubenelgenubi、Sadachbia、Sadaltager、Alnilam、Rasalgethi。语言含英语（美/英）、西班牙语、法语、德语、意大利语、葡萄牙语（巴西）、日语、韩语、印地语。
常见错误：低分辨率人像导致面部模糊与口型差；侧面角度导致口型难以跟踪；音频有噪声导致口型漂移；片段过长导致质量下降；墨镜或遮挡隐藏面部特征；光照不均导致动画不自然。
限制与说明：上述模型速度、成本与内置 TTS 情况均来自资料；未提及的功能、收费细节、平台支持范围等暂未提供。相关内容还提供关联技能安装命令（如 p-video-avatar、ai-avatar-video、ai-video-generation、text-to-speech、ai-image-generation），可用 belt app list 浏览全部应用。