ai-content-pipeline
通过 inference.sh CLI(belt)把图像、视频、音频与文本生成串成多步 AI 内容流水线,可搭建短视频、口播头像视频、产品演示与博客转视频等流程。
找到适合任务的 Agent Skill,阅读介绍并复制安装命令。
更新于 11-18 00:15
53,942 个结果
通过 inference.sh CLI(belt)把图像、视频、音频与文本生成串成多步 AI 内容流水线,可搭建短视频、口播头像视频、产品演示与博客转视频等流程。
通过 inference.sh CLI(belt)调用 ElevenLabs Music、Diffrythm、Tencent Song Generation 等模型生成音乐与歌曲的技能,支持纯音乐、带人声歌曲、配乐与音效等场景,适用于视频、播客、游戏和广告等用途。
AI Podcast Generator 是一套通过 inference.sh 流水线,从零生成多人对谈口播播客视频的技能,覆盖角色图像生成、TTS 配音、头像说话视频与最终拼接。适用于制作播客、口播视频、演示样片或多说话人视频内容。
基于 inference.sh CLI(belt)的 AI 播客与音频创作技能,支持文本转语音、AI 音乐生成与媒体合并,可制作单人讲述、多人口播、访谈、有声书章节等音频内容。
在 inference.sh 平台上构建与部署应用的中文指南,覆盖 belt CLI 安装、应用脚手架、本地测试、部署、资源与依赖配置、Python/Node.js 应用结构与多函数模式。
ElevenLabs Dialogue 是一个通过 inference.sh CLI(belt)生成多说话人对话音频的技能。它可以在单个音频文件中创建由不同声音演绎的对话,适合播客、有声书、教程、产品演示和客服培训等场景。该技能提供 22 种以上优质声音,支持在文本中用方括号添加语气指令(如 [excitedly]、[whispering])来控制表达方式,并可与其他音频技能配合生成带背景音乐的成品。
ElevenLabs 自动配音技能,通过 inference.sh CLI(belt)将音频或视频翻译并配音成 29 种语言,同时保留原说话人的声音特征。支持自动识别多个说话人、匹配原始语音节奏,输入格式包括 MP3、MP4、WAV、MOV。适用于内容创作者、在线教育、营销、播客、企业培训及影视分发等需要多语言本地化的场景。
通过 inference.sh CLI(belt)调用 ElevenLabs 音乐生成能力,用文本提示词创作原创音乐,支持最长 10 分钟的自定义时长,可用于视频配乐、播客、游戏、广告与短视频等场景。
ElevenLabs 语音转文字(STT)技能,通过 inference.sh 命令行工具(belt CLI)调用 Scribe 系列模型完成高精度转录与强制对齐。Scribe v2 为默认模型,官方资料称准确率达 98% 以上,支持 90 多种语言并自动检测。主要能力包括:基础音频转录、说话人识别(diarize)、音频事件标注(如笑声、掌声、音乐)、指定语言转写,以及强制对齐(forced alignment)以获取词级和字符级时间戳。适用于会议记录、播客转写、视频字幕、访谈研究、无障碍转录和动画对口型等场景。需先安装 belt CLI 并登录,再通过 belt app run 命令传 JSON 参数调用。
ElevenLabs 文本转语音技能,通过 inference.sh CLI(belt)调用,提供 22+ 种高级音色、多语言支持与语音参数调节。支持 eleven_multilingual_v2(最高质量、32 种语言)、eleven_turbo_v2_5(速度与质量平衡)、eleven_flash_v2_5(超低延迟)三种模型,可调节 stability、similarity_boost、style、use_speaker_boost 等参数,并支持多种 MP3 与 PCM 输出格式。适用于配音、有声书、播客、在线课程、无障碍朗读、IVR 与视频旁白等场景。
ElevenLabs 变声技能,通过 inference.sh CLI(belt)将任意人声转换为另一种声音,同时保留原始语音内容与情感。默认使用 Multilingual STS v2 模型,支持 70 多种语言,也可选用针对英语优化的 English STS v2 模型。提供 22 种以上与 ElevenLabs TTS 相同的优质音色(如 george、aria、alice、brian、charlie 等),可指定输出音频格式。典型用途包括内容创作、配音替换、角色声音制作、隐私匿名化、视频译制与声音原型测试。使用前需安装并登录 belt CLI。
ElevenLabs Voice Isolator 是一个通过 inference.sh CLI(belt)调用的音频处理技能,用于去除背景噪声并分离人声。它支持 WAV、MP3、FLAC、OGG、AAC 等格式,单文件最大 500MB、最长 1 小时。可去除环境噪声、背景音乐、混响回声、风声、交通与人群噪声、电流嗡鸣等非人声声音,适用于播客清理、采访降噪、音乐人声提取、视频对白处理、旧录音修复、会议录音优化以及为声音克隆准备干净素材等场景。
inference.sh 的 JavaScript/TypeScript SDK,包名 @inferencesh/sdk,用于运行 AI 应用、构建智能体并集成各类模型。支持 Node.js 18+ 或现代浏览器,提供应用执行、流式进度、文件上传、会话、Agent 与工具构建、前端代理等能力。
通过 inference.sh CLI(belt)调用 Google Gemini 原生图像模型生成与编辑图片的技能,支持 Gemini 3 Pro Image 与 Gemini 2.5 Flash Image,可文生图、多图输出、自定义比例与分辨率、图像编辑及 Google 搜索接地。
通过 inference.sh CLI(belt)调用 Google Gemini 3.1 Flash Image Preview(Nano Banana 2)生成与编辑图像,支持文生图、多图输入、比例与分辨率设置及 Google 搜索实时信息接地。
该技能通过 inference.sh 命令行工具(belt CLI)将音频转写为文本,支持 ElevenLabs Scribe v2、Fast Whisper V3 和 Whisper V3 Large 三种模型。ElevenLabs Scribe v2 具备 98%+ 准确率、说话人分离和 90+ 语言支持;Fast Whisper V3 适合快速转写;Whisper V3 Large 追求最高准确率。支持时间戳、翻译为英文、从视频提取音频后转写,以及生成视频字幕的工作流。输出 JSON 格式,包含全文、带时间戳的分段和检测到的语言。适用于会议记录、播客转写、字幕制作、语音笔记、访谈研究和无障碍访问等场景。
这是一个通过 inference.sh CLI(belt)将文本转换为自然语音的技能,支持 Inworld TTS、ElevenLabs、DIA TTS、Kokoro、Chatterbox、Higgs Audio、VibeVoice 等多种语音合成模型。用户可安装 belt CLI 技能后,使用 belt app run 命令调用不同模型生成语音,例如 Kokoro TTS、Inworld TTS-2 等。Inworld TTS-2 支持 100 多种语言,并可通过方括号在文本中内联控制情绪、音量、语速和非语言声音,提供 STABLE、BALANCED、CREATIVE 三种交付模式。Inworld TTS 1.5 Max 和 Mini 面向低延迟场景,分别低于 200 毫秒和约 120 毫秒。该技能适用于配音、有声书、播客、无障碍内容、IVR 语音提示、视频旁白、游戏 NPC 角色语音、对话式 AI 以及头像视频等场景,也可与视频生成模型结合制作说话头像视频。
以色列工资单与工时核对工具,依据工时或工资单审计应得与已付的毛工资差额,检查加班、周休、最低工资等法定项目。非法律意见,结果仅为AI生成的估算草稿。
基于以色列卫生部营养彩虹、包装正面红绿标签及洁食/清真与节日限制,提供一般健康饮食菜单与食品标签解读的免费AI信息工具;不构成医疗建议,不设定热量或体重目标。
依据以色列《航空服务法》(2012,חוק טיבי)判断往返以色列航班在取消、长时间延误、超售拒载、提前起飞或降舱时是否可获得赔偿,并生成希伯来语索赔信。注意与欧盟 EU261 金额和门槛不同。
免费信息工具,用于为以色列房屋装修(shpitz)撰写书面工程范围与聘用条款。非法律意见,输出由AI自动生成,无律师或工程师审核,不读案卷、不查判例,不能替代持牌律师或工程师的判断。
一个由AI模型自动生成的信息与计算辅助工具,用于梳理以色列封闭持股公司(chevrat me'atim)在《第277号修正案》下两项制度的潜在税务曝露:第62A条的收入归属制度,以及第81A至81F条对未分配超额利润加征2%税款的规定。非税务意见,不构成专业建议。
ceos-ids 是 EOS 体系中的 IDS(识别、讨论、解决)流程技能,用于系统化处理团队问题:每个问题都要找到根因、进行聚焦讨论,并至少生成一个带负责人和截止日期的待办事项。
flow-field 是生成艺术技能包中的流场草图生成器,用 Perlin/simplex 噪声角度场驱动粒子行走,叠加半透明笔触形成有机流动形态,可静态重掷种子或动画演化。