用途：用一张人像图和脚本或音频，生成带口型同步的说话头像视频，适合产品讲解、口播内容、多语言配音等场景。
主要能力：通过 inference.sh 命令行工具 belt 调用各模型。推荐 pruna/p-video-avatar，内置 TTS（30 种声音、10 种语言），据资料约为每秒视频 1.83 秒、每秒 $0.025，比替代方案快、便宜。其他可选模型包括 bytedance/omnihuman-1-5（支持多角色与手势）、bytedance/omnihuman-1-0、falai/fabric-1-0、falai/pixverse-lipsync。支持自带音频驱动、自定义视频风格提示、多语言脚本（英、西、法、德、意、葡、日、韩、印地等），长视频可分段并用 infsh/media-merger 合并，也可对已有视频做转录、翻译、TTS 后再口型同步。
使用方式：先安装 CLI（npx skills add belt-sh/cli），运行 belt login。示例：belt app run pruna/p-video-avatar --input '{...}'，输入包含 image、voice_script、voice 等字段；也可提供 audio 字段使用自有音频。具体参数以资料为准。
限制：人像质量直接影响输出，需正面、居中、头肩构图、看向镜头、中性表情、面部清晰且分辨率足够（面部区域建议 512x512 以上，最好 1024x1024+）。音频需干净、音量一致、44.1kHz 或 48kHz。长片段质量会下降，建议分段。多角色仅 OmniHuman 1.5 支持最多 2 人。部分模型无内置 TTS，需另做语音。