用途：通过 inference.sh 命令行工具 belt 调用云端模型，用一张人像图片和文本或音频生成 AI 数字人、口播与唇形同步视频，也可用于配音和 UGC 风格内容批量生产。
主要能力：推荐 pruna/p-video-avatar，内置 TTS，支持 30 种声音、10 种语言、语音与视频提示词、1080p，输出宽高比随输入图片。其他可选 bytedance/omnihuman-1-5（多人物、音频驱动）、falai/fabric-1-0（图片说话、内置 TTS）、falai/pixverse-lipsync（写实唇形同步，无内置 TTS）。资料称 P-Video-Avatar 比替代方案快约 18 倍、便宜约 6 倍，每秒约 0.025 美元。
使用方式：先安装技能 npx skills add belt-sh/cli，然后 belt login。以 P-Video-Avatar 为例，运行 belt app run pruna/p-video-avatar --input '{...}'，传入 image 和 voice_script 等参数即可；也可传入 audio 替代 TTS。无内置 TTS 的模型需先用 inworld/text-to-speech-2 等生成语音。配音流程为 fast-whisper-large-v3 转写、翻译、生成语音，再用 latentsync-1-6 对原视频唇形同步。还可配合 pruna/p-image 生成 9:16 竖版人像，并用 shell 循环批量生成不同声音的版本。
适用场景：UGC 与营销视频、产品演示、课程与讲解、多语言本地化、社媒虚拟形象、企业培训与公告、游戏角色对话。
限制：需联网调用 inference.sh 服务并登录；多数模型需提供可访问的图片/音频 URL；非 TTS 模型需额外语音生成步骤；建议使用正面、光线良好的高清人像和无明显底噪音频。资料未提供其他价格、平台或效果细节。