用途：该技能面向需要制作多人出镜播客、口播视频、演示片段或多说话人视频的场景，流程为角色图像生成、逐轮 TTS 音频、逐轮头像视频、最后合并成片。
主要能力：支持真人类新角色（pruna/p-image）、保持一致身份的真实人物（phota/train 训练后以 phota/generate 及 [[profile_id]] 生成）、品牌吉祥物或图标角色、插画与风格化角色，以及混合阵容。每个角色建议至少生成正面/中景与特写两个角度以增加变化。
使用方式：角色可先用 pruna/p-image 或 phota 生成；真人保持一致身份需先训练：infsh app run phota/train --input '{"images": [...], "wait": true}' --save profile.json，需 30-50 张面部图。音频用 inworld/text-to-speech-2 逐轮生成，语音挑选需先让用户听样音确认；语速默认 1.05，绝不低于 1.0。视频用 pruna/p-video-avatar 逐轮生成，必须顺序执行，最后用 infsh/media-merger 合并为 mp4。脚本应按真实对话写，含反应、打断与长短句交替，约每秒 2.5 词；15 秒约 38 词、30 秒约 75 词、60 秒约 150 词。
限制与注意：Gemini 不保留人脸身份，真人多角度需用 Phota 或同批生成；头像视频不可并行，否则可能 CUDA OOM；生成视频前必须先检查画面，避免多人、多麦克风、错误 logo 与肢体异常；品牌角色生成时须把 logo 作为参考图传入；个体镜头应用近景，从腰部或胸部以上取景，防止露出空椅。费用方面，合并步骤免费，具体任务成本可用 belt task cost <task-id> 查询，其余价格与平台细节资料未提供。