Создаёт видео с говорящим аватаром из портрета и текста или готового аудио через CLI belt для inference.sh. Подходит для виртуальных ведущих, UGC-рекламы, объясняющих видео и lip sync.

Возможности

• P-Video-Avatar генерирует видео из изображения и текста, используя встроенный TTS: 30 голосов, 10 языков, разрешение до 1080p.
• Для управления подачей поддерживает voice_prompt и video_prompt — отдельно задаются тон речи и сцена.
• Для видео с готовым аудио доступны OmniHuman 1.5, Fabric 1.0 и PixVerse Lipsync; OmniHuman 1.5 поддерживает несколько персонажей в одном изображении.
• Для дубляжа можно распознать речь, подготовить аудио на другом языке и синхронизировать его с видео через LatentSync.
• В источнике P-Video-Avatar указан как вариант с самым быстрым и дешёвым рендерингом среди сравниваемых моделей.

Когда использовать

• Нужно сделать виртуального ведущего или talking head по портрету и тексту.
• Требуется UGC-ролик с заданными голосом, эмоцией и сценой.
• Нужно синхронизировать лицо с готовой аудиозаписью или озвучить видео на другом языке.
• Нужен аватар персонажа или NPC с репликами.

Установка

npx skills add belt-sh/cli

Примеры

Сгенерировать talking head из портрета и текста с встроенным TTS:

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"
}'

Создать видео OmniHuman 1.5 из портрета и готового аудио:

belt app run bytedance/omnihuman-1-5 --input '{
  "image_url": "https://portrait.jpg",
  "audio_url": "https://speech.mp3"
}'

Синхронизировать исходное видео с новой аудиодорожкой:

belt app run infsh/latentsync-1-6 --input '{
  "video_url": "https://original-video.mp4",
  "audio_url": "<new-audio-url>"
}'

Установка

npx skills add https://github.com/101-skills/superpowers --skill ai-avatar-video