用 AI 虚拟人制作口播视频：从人像图到带唇形同步的说话视频

当你需要制作 AI 虚拟人口播/讲解视频（含唇形同步与配音）时，用这套流程完成人像准备、模型选择、配音与长视频拼接。

适用场景

解决思路

1. 安装并登录 inference.sh CLI：先执行 `npx skills add belt-sh/cli` 安装技能，再运行 `belt login` 登录。
2. 优先使用 P-Video-Avatar（`pruna/p-video-avatar`）：它内置 TTS、速度最快、成本最低，直接传入 `image` 与 `voice_script` 即可生成视频。
3. 准备合格的人像图：正面居中构图、头肩可见（胸部以下裁切）、眼睛直视镜头、表情中性（可微笑但不要大笑或皱眉）、面部无遮挡（无墨镜/重阴影）、分辨率至少 512x512 面部区域，最好 1024x1024 以上。
4. 若没有人像图，用 P-Image 生成：`belt app run pruna/p-image --input '{"prompt": "professional headshot portrait ...", "aspect_ratio": "9:16"}'`。
5. 按需选择背景：纯色（专业干净易合成）、柔和散景（自然生活感）、办公室/影棚（商务场景），或对 P-Video-Avatar 用 `video_prompt` 设置动态背景。
6. 按需求选择模型：P-Video-Avatar（内置 TTS，综合最佳）、OmniHuman 1.5（`bytedance/omnihuman-1-5`，多角色/手势）、OmniHuman 1.0（单角色）、Fabric 1.0（`falai/fabric-1-0`，图片说话+唇形同步）、PixVerse Lipsync（`falai/pixverse-lipsync`，对已有视频做唇形同步）。
7. 用文本脚本直接生成视频（无需单独 TTS）：传入 `image`、`voice_script`、`voice`、`voice_language`、`resolution` 等参数。
8. 需要风格控制时，额外传入 `voice_prompt`（如“热情有活力、语速稍快”）和 `video_prompt`（如“在舞台上演讲、戏剧化灯光”）。
9. 使用自带音频驱动任意模型：传入 `audio` 字段（如 `pruna/p-video-avatar` 或 `bytedance/omnihuman-1-5` 均支持 `image` + `audio`）。
10. 完整流程（生成人像+虚拟人）：先用 `pruna/p-image` 生成人像，再把返回的图片 URL 传给 `pruna/p-video-avatar` 并附 `voice_script`。
11. 对不支持 TTS 的模型，先单独生成语音：用 `falai/dia-tts` 生成音频，再把音频 URL 传给 OmniHuman 等模型。
12. 制作多角色对话：用 `falai/dia-tts` 以 `[S1]`/`[S2]` 标记生成双人对话音频，再用 OmniHuman 1.5 配合双人合照生成视频（最多支持 2 个角色）。
13. 制作长视频（超过约 60 秒）：用同一张人像分段生成多个片段（加 `--no-wait` 并行提交），再用 `infsh/media-merger` 传入 `media_files` 列表合并。
14. 制作多语言内容：P-Video-Avatar 内置 10 种语言，设置 `voice_language`（如 Spanish、Japanese）并配对应 `voice` 即可。
15. 为已有视频配音：先用 `infsh/fast-whisper-large-v3` 转录原视频，再翻译文本，用 `falai/kokoro-tts` 生成新语言语音，最后用 `infsh/latentsync-1-6` 传入 `video_path` 与 `audio_path` 做唇形同步。
16. 保证音频质量（非 TTS 流程）：无/极少背景噪声、音量全程一致、采样率 44.1kHz 或 48kHz、格式 MP3 128kbps+ 或 WAV。
17. 从可用音色中选择：女声（Zephyr、Kore、Leda、Aoede 等）、男声（Puck、Charon、Fenrir、Orus 等），语言含 English (US/UK)、Spanish、French、German、Italian、Portuguese (Brazil)、Japanese、Korean、Hindi。
18. 遵循构图规范：眼睛位于画面上 1/3 线、头顶留白尽量少、头肩可见、胸部以下裁切。
19. 避免常见错误：不要用低分辨率人像（面部模糊、唇形差）、不要用侧面/侧脸角度、不要用噪声音频、不要生成过长片段（应分段再拼接）、不要有墨镜等遮挡、不要用不一致的光照。

适用边界 · 注意事项

• 没有安装 inference.sh CLI（`belt`）或未登录账号时无法执行这些命令。
• 需要依赖特定云厂商/付费服务（inference.sh 及其模型）时，不属于纯通用方案。
• 人像图质量差（低分辨率、侧脸、遮挡、光照不均）时，生成效果会明显下降。