用途与定位 该技能用于创建 AI 虚拟形象（avatar）与口播数字人（talking head）视频，调用方式为 inference.sh CLI（belt）。按照资料，安装 CLI 技能的命令为：npx skills add belt-sh/cli。运行前需先执行 belt login 登录。
主要可用模型
- P-Video-Avatar（app ID：pruna/p-video-avatar）：资料将其列为推荐项，称其最快、最便宜，内置 TTS，支持动态背景与 1080p；最适合综合速度、成本、质量与控制。内置 30 种声音、10 种语言。
- OmniHuman 1.5（app ID：bytedance/omnihuman-1-5）：适合多角色、音频驱动场景；无内置 TTS。资料称其支持在多人物图像中指定要驱动的角色。
- Fabric 1.0（app ID：falai/fabric-1-0）：适合图像配合口型同步说话；内置 TTS。
- PixVerse Lipsync（app ID：falai/pixverse-lipsync）：适合高度真实的口型同步；无内置 TTS。
速度与成本对比（资料数据）
- P-Video-Avatar：约 1.83 秒/秒视频；每秒 0.025 美元。
- OmniHuman 1.5：约 28 秒/秒（慢约 15 倍）；每秒 0.16 美元（贵约 6.4 倍）。
- Fabric 1.0：约 34 秒/秒（慢约 18 倍）；每秒 0.14 美元（贵约 5.6 倍）。
使用方式 推荐模型 P-Video-Avatar 的基本调用示例： belt app run pruna/p-video-avatar --input '{ "image": "https://portrait.jpg", "voice_script": "Hello, welcome to our product demo!", "voice": "Zephyr (Female)" }'
可传入的参数（据示例）包括 image、voice_script、voice、voice_language、resolution（如 720p、1080p）、voice_prompt（如语气描述）、video_prompt（如画面描述）、audio（直接使用音频文件而非 TTS）。示例： belt app run pruna/p-video-avatar --input '{ "image": "https://portrait.jpg", "voice_script": "Welcome to our product walkthrough. Today I will show you three key features.", "voice": "Puck (Male)", "voice_language": "English (US)", "resolution": "720p" }'
带自定义风格控制的示例： belt app run pruna/p-video-avatar --input '{ "image": "https://portrait.jpg", "voice_script": "This is exciting news!", "voice": "Aoede (Female)", "voice_prompt": "Enthusiastic and energetic tone", "video_prompt": "The person is presenting on stage with dramatic lighting", "resolution": "1080p" }'
改用音频文件的示例： belt app run pruna/p-video-avatar --input '{ "image": "https://portrait.jpg", "audio": "https://speech.mp3" }'
其他模型调用示例： belt app run bytedance/omnihuman-1-5 --input '{ "image_url": "https://portrait.jpg", "audio_url": "https://speech.mp3" }'
belt app run falai/fabric-1-0 --input '{ "image_url": "https://face.jpg", "audio_url": "https://audio.mp3" }'
belt app run falai/pixverse-lipsync --input '{ "image_url": "https://portrait.jpg", "audio_url": "https://speech.mp3" }'
组合工作流 1）生成肖像 + 虚拟形象：先用 pruna/p-image 生成图像（示例参数 prompt、aspect_ratio 如 9:16），再将返回的图像 URL 传给 pruna/p-video-avatar 配合内置 TTS 生成视频。 2）TTS + 虚拟形象（针对无内置 TTS 的模型）：先用 inworld/text-to-speech-2 生成语音（示例参数 text、voice_id、delivery_mode），再把音频 URL 传给 OmniHuman 等模型。资料提示：多数场景直接用带内置 TTS 的 P-Video-Avatar 更简单；仅当需要 OmniHuman（多角色）或 PixVerse（真实口型同步）时才用该流程。 3）为视频配音成其他语言：先用 infsh/fast-whisper-large-v3 转录原视频，再翻译文本，然后用 infsh/kokoro-tts 生成新语言语音，最后用 infsh/latentsync-1-6 将原视频与新音频做口型同步。 4）UGC 内容生成：先用 pruna/p-image 生成 UGC 风格肖像，再用 pruna/p-video-avatar 配合内置 TTS 生成视频。资料称其优势为一体化、30 种声音与 10 种语言、可分别控制声音与视频提示、相比 Fabric/OmniHuman/HeyGen 快 18 倍且便宜 6 倍、支持 1080p 竖版。批量示例用 for 循环遍历不同 voice 值生成多个讲解人。
适用场景（资料列举） UGC 与营销（产品演示、AI 出镜广告）；教育（课程视频、讲解）；本地化（从一张图像配 10 种语言）；社交媒体（一致的虚拟网红内容）；企业（培训视频、公告）；游戏（角色虚拟形象、NPC 对话）。
使用提示（资料原文要点） 使用高质量正脸、光照良好的肖像照片；音频应清晰、背景噪音尽量少；P-Video-Avatar 支持内置 TTS，无需单独生成语音；其输出宽高比与输入图像一致；用 pruna/p-image 生成肖像时可选 9:16 以制作竖版视频；OmniHuman 1.5 支持一张图像中有多人；LatentSync 最适合把已有视频同步到新音频。
相关技能安装命令 npx skills add inference-sh/skills@p-video-avatar npx skills add inference-sh/skills@infsh-cli npx skills add inference-sh/skills@text-to-speech npx skills add inference-sh/skills@speech-to-text npx skills add inference-sh/skills@ai-video-generation npx skills add inference-sh/skills@ai-image-generation
浏览视频应用：belt app list --category video
限制与未提供信息 资料未说明免费额度、订阅方式或除上述按秒计费外的其他定价细节；未给出各模型的分辨率上限、时长上限、并发限制或合规与版权条款；除示例参数外，是否支持其他参数、错误处理与结果获取方式（如流式进度）需参考其文档。上述未提及内容暂未提供。