用途：通过 inference.sh 的命令行工具（belt）创建 AI 数字人与口播视频。
安装与准备：安装该 CLI 技能命令为 npx skills add belt-sh/cli；使用前需执行 belt login。
推荐模型：P-Video-Avatar（应用 ID 为 pruna/p-video-avatar），资料称其为速度、成本、质量与控制综合最佳，内置 TTS，支持 30 种声音、10 种语言、动态背景与 1080p。其他可用模型：OmniHuman 1.5（bytedance/omnihuman-1-5，多角色、音频驱动，无内置 TTS）；Fabric 1.0（falai/fabric-1-0，图像说话与口型同步，内置 TTS）；PixVerse Lipsync（falai/pixverse-lipsync，高逼真口型同步，无内置 TTS）。
成本与速度（按视频每秒计）：P-Video-Avatar 约 1.83 秒/秒、$0.025；OmniHuman 1.5 约 28 秒/秒、$0.16；Fabric 1.0 约 34 秒/秒、$0.14。
使用方式：以 P-Video-Avatar 为例，运行 belt app run pruna/p-video-avatar --input '{"image":"https://portrait.jpg","voice_script":"...","voice":"Puck (Male)","voice_language":"English (US)","resolution":"720p"}'。可加入 voice_prompt 控制语气、video_prompt 控制画面，或改用 audio 字段传入音频文件替代内置 TTS。完整流程示例包括：先用 pruna/p-image 生成肖像（如 9:16 竖版）再生成数字人视频；对无内置 TTS 的模型，先用 Inworld TTS-2 或 Kokoro TTS 生成语音再合成；视频翻译配音流程为 fast-whisper-large-v3 转写、翻译文本、生成新语言语音、再用 latentsync-1-6 做口型同步；UGC 批量生成可用循环脚本，为同一产品切换不同声音与画面提示词生成多版本。
适用场景：UGC 与营销（产品演示、UGC 风格广告）、教育（课程与讲解视频）、本地化（从一张图生成 10 种语言内容）、社交媒体（一致的虚拟人物内容）、企业（培训与公告）、游戏（角色头像与 NPC 对话）。
限制与提示：建议使用正面、光线良好的高质量肖像；音频需清晰、背景噪音小；P-Video-Avatar 输出宽高比与输入图一致；OmniHuman 1.5 支持单图多人并可指定驱动对象；LatentSync 适合将已有视频同步到新音频。相关技能安装命令包括 npx skills add inference-sh/skills@p-video-avatar、@infsh-cli、@text-to-speech、@speech-to-text、@ai-video-generation、@ai-image-generation；可浏览全部视频应用 belt app list --category video。