talking-head-production

用途

Talking Head Production 是一个用于制作「口播」类数字人视频的技能，通过 inference.sh 命令行工具（belt CLI）驱动 AI 头像、唇形同步（lipsync）与语音合成，把一张人像图片生成为会说话的视频。

安装与使用方式

需先安装 belt CLI 技能：npx skills add belt-sh/cli，然后执行 belt login 登录。核心调用形式为 belt app run <app-id> --input '{...}'，输入以 JSON 传递。

主要能力与工作流

文本脚本直接出视频：P-Video-Avatar 内置多种声音，无需单独的 TTS 步骤，可指定 voice、voice_language、resolution 等。
带风格控制：通过 voice_prompt 控制语气语速，通过 video_prompt 控制画面背景场景。
音频驱动：任意模型可传入自有音频文件（audio / audio_url）。
完整流程：先用 P-Image 生成人像，再用 P-Video-Avatar 生成口播视频。
分离 TTS 流程（针对无内置 TTS 的模型）：先用 falai/dia-tts 生成语音，再用 OmniHuman 等模型合成口播。
多角色对话：OmniHuman 1.5 支持最多 2 个角色，配合 dia-tts 的双说话人对话格式生成。
长视频：超过约 60 秒的内容建议拆分为多段，用同一张人像生成保证一致性，再用 infsh/media-merger 合并。
多语言内容：P-Video-Avatar 内置 TTS 支持 10 种语言，示例涵盖西班牙语、日语。
为已有视频配音：流程为 fast-whisper-large-v3 转录 → 翻译文本 → kokoro-tts 生成新语音 → latentsync-1-6 对原视频做唇形同步。

人像与规范要求

资料强调源人像图片至关重要，要求：居中度构图（面部居中）、头肩可见（胸部以下裁切）、直视镜头、中性表情、面部清晰无遮挡（无墨镜或重阴影）、高分辨率（面部区域至少 512x512，理想 1024x1024 以上）。背景可选纯色、柔和散景、办公室/影棚，或用 P-Video-Avatar 的 video_prompt 设置动态背景。可用 P-Image 生成专业人像。

音频质量要求（非 TTS 流程）

当提供自有音频时，质量直接影响唇形同步精度：无/极少背景噪声、音量全程一致、采样率 44.1kHz 或 48kHz、格式为 MP3 128kbps+ 或 WAV。

可用声音与语言（P-Video-Avatar）

女声包括 Zephyr、Kore、Leda、Aoede、Callirrhoe、Autonoe、Despina、Erinome、Laomedeia、Achernar、Gacrux、Pulcherrima、Vindemiatrix、Sulafat；男声包括 Puck、Charon、Fenrir、Orus、Enceladus、Iapetus、Umbriel、Algenib、Algieba、Schedar、Achird、Zubenelgenubi、Sadachbia、Sadaltager、Alnilam、Rasalgethi。语言包括英语（美式/英式）、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。

常见错误与修复

低分辨率人像导致面部模糊、唇形同步差（改用 1024x1024+）；侧脸角度导致唇部难以跟踪（改用正面或近正面）；音频嘈杂导致同步漂移（用内置 TTS 或干净录音）；片段过长导致质量下降（拆分后拼接）；墨镜或遮挡导致面部特征被隐藏（需清晰面部）；光照不一致导致动画违和（使用均匀柔和光）。

限制

资料未提供各模型的最大时长、分辨率上限、并发限制、账号权限与配额等信息；具体可用性以实际调用为准。价格与速度数据来自资料，可能随时间变化。

技能介绍

用途