API ВЕГА

Создавайте talking head и AI-avatar видео через CLI belt на базе inference.sh: из портрета и текста, аудиофайла или существующего видео. Навык помогает делать виртуальных ведущих, UGC-рекламу и дубляж; для большинства задач рекомендует P-Video-Avatar со встроенным TTS.

Возможности

  • Генерирует видео из портрета и текста с озвучкой через P-Video-Avatar: 30 голосов, 10 языков, настройка голоса и сцены.
  • Создаёт lipsync-видео из изображения и готового аудио с помощью OmniHuman, Fabric или PixVerse.
  • Поддерживает несколько персонажей в одном изображении через OmniHuman 1.5.
  • Описывает workflow дубляжа: транскрибация через Fast Whisper, перевод текста, генерация речи через Kokoro TTS и lipsync через LatentSync.
  • Помогает создавать портреты для аватаров через pruna/p-image, в том числе вертикальные изображения с пропорцией 9:16.

Когда использовать

  • Нужно сделать виртуального ведущего для демо, обучающего видео или корпоративного объявления.
  • Требуется выпустить UGC-рекламу или серию роликов с разными голосами и ведущими.
  • Нужно синхронизировать речь с портретом или персонажем, в том числе в изображении с несколькими людьми.
  • Нужно озвучить видео на другом языке или заменить в нём аудиодорожку.

Установка

npx skills add https://github.com/its-a-skill-issue/superpowers --skill ai-avatar-video

Примеры

Создать аватар из портрета и текста с помощью встроенного 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 из портрета и готового аудио через OmniHuman 1.5:

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

Сгенерировать речь и передать её в OmniHuman:

belt app run inworld/text-to-speech-2 --input '{
  "text": "[friendly] Welcome to our product demo! [excited] Let me show you three features that will change how you work.",
  "voice_id": "Sarah",
  "delivery_mode": "CREATIVE"
}' > speech.json

belt app run bytedance/omnihuman-1-5 --input '{
  "image_url": "https://presenter-photo.jpg",
  "audio_url": "<audio-url-from-step-1>"
}'