用途：通过 inference.sh CLI（belt）用 AI 数字人、口型同步与配音制作口播视频，适合产品介绍、讲解、多语言内容与视频配音。
主要能力：支持文本脚本直出视频（P-Video-Avatar 内置 TTS，30 种声音、10 种语言）、自带音频驱动口型同步、风格控制（voice_prompt、video_prompt）、多角色对话（OmniHuman 1.5 最多两个角色）、长视频分段拼接、多语言配音与既有视频翻译配音。可选模型包括 P-Video-Avatar（pruna/p-video-avatar）、OmniHuman 1.5/1.0、Fabric 1.0、PixVerse Lipsync；资料给出 P-Video-Avatar 速度约 1.83 秒/秒视频、$0.025/秒，快于并低于对比项。
使用方式：先安装技能 npx skills add belt-sh/cli，然后 belt login 登录；用 belt app run 调用模型，如 pruna/p-video-avatar 传 image、voice_script、voice 等参数；也可用 pruna/p-image 先生成肖像。长视频用 --no-wait 并发生成后，用 infsh/media-merger 合并。配音流程包括 infsh/fast-whisper-large-v3 转写、翻译、生成语音、infsh/latentsync-1-6 对口型。
适用场景与限制：肖像需居中、头肩构图、正眼看镜头、表情中性、面部清晰、分辨率建议 512x512 以上、最好 1024x1024+；音频需低噪声、音量稳定、44.1kHz 或 48kHz。常见问题包括低分辨率、侧脸、噪声和过长片段导致质量下降。具体价格、模型可用性和效果以实际服务为准。