ai-avatar-video
inference.sh CLIを通じてAIアバターおよびトーキングヘッド動画を作成。推奨：P-Video-Avatar（最速、最安、TTS内蔵）。その他：OmniHuman、Fabric、PixVerse。音声：Inworld TTS-2（100以上の言語、キャラクターの感情制御対応）、ElevenLabs、Kokoro。機能：音声駆動アバター、テキストからのアバター生成、リップシンク動画、トーキングヘッド生成、バーチャルプレゼンター、UGCコンテンツ。用途：AIプレゼンター、解説動画、バーチャルインフルエンサー、吹き替え、マーケティング動画、UGC広告、ゲームアバター、NPCの会話。トリガー：ai avatar, talking head, lipsync, avatar video, virtual presenter, ai spokesperson, audio driven video, heygen alternative, synthesia alternative, talking avatar, lip sync, video avatar, ai presenter, digital human, ugc, ugc video, ugc ad, avatar ugc
1仕組みと動作原理
同一リポジトリ内のツールskillと同等の構造（belt CLIホワイトリスト＋カタログ表）。ただし、本skillには「強い推奨判断」が組み込まれており、pruna/p-video-avatarを最優先候補として指定し、速度・コスト比較表（約1.83秒/秒、$0.025/秒 vs OmniHuman 約28秒/秒/$0.16）を提供することで、agentが最も経済的なパスをデフォルトで選択するよう誘導する。
| **P-Video-Avatar** | `pruna/p-video-avatar` | **Best overall: speed, cost, quality, control** | **Yes (30 voices, 10 languages)** |
モデルにTTSが内蔵されているかどうかに応じた2つの技術パス：内蔵モデル（p-video-avatar/fabric）にはimage+voice_scriptを直接渡し、TTS非内蔵モデル（OmniHuman/PixVerse）にはまずinworld/text-to-speech-2を実行してaudio_urlを取得してからimage_url+audio_urlを結合する。「Full Workflow」として再現可能なコマンド形式で一連のフローを提示している。
belt app run inworld/text-to-speech-2 --input '{
吹き替え／多言語化パイプラインは4段階構成：fast-whisper-large-v3による文字起こし → LLM/人手による翻訳 → kokoro-ttsによる新言語音声の生成 → latentsync-1-6によるリップシンク。すべてinfsh/* appに対するbelt呼び出しで完結する。
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json
UGCの大量生成が明示的に示されている：同一の肖像画像に対して異なる3つのvoiceでp-video-avatarをバッチ実行するshell forループが記載されており、本skillが「量産」を視野に入れていることが示されている（そのため費用や肖像利用の制約にも直接関係する）。
for voice in "Zephyr (Female)" "Puck (Male)" "Aoede (Female)"; do
入力素材の作成が画像系skillと連携：pruna/p-imageでまず9:16の肖像画像を生成してからアバター動画を生成する（Generate Portrait + Avatarワークフロー）。縦長比率が一貫して適用される（Tips: output aspect ratio matches the input image）。
"prompt": "professional headshot portrait of a young woman, neutral background, looking at camera, studio lighting, photorealistic",
2コア機能
3外部依存関係
| Kind | Dependency / Endpoint |
|---|---|
| cli | belt（inference.sh CLI） |
| package | belt-sh/cli（npx skills add 安装） |
| api | 平台头像/TTS/音频 app：pruna/p-video-avatar、pruna/p-image、bytedance/omnihuman-1-5、falai/fabric-1-0、falai/pixverse-lipsync、inworld/text-to-speech-2、infsh/kokoro-tts、infsh/fast-whisper-large-v3、infsh/latentsync-1-6 |
| network | 平台文档 |
| network | 安装说明托管 |
4推奨統制措置と判定根拠
- 网络端点: 外部ネットワークアクセスの宣言：platform belt CLI → inference.sh プラットフォーム（アバター生成/TTS/STT/リップシンク app） ['inference.sh',
- 本地工作目录: ファイル読み書きおよび成果物の出力：サンプルのマルチステップワークフローでshellリダイレクトを用いて中間生成物を保存：`> speech.json`（TTS出力）、`> transcript.json`（文字起こし）、`
- SKILL.md: ホストCLIインタプリタまたは外部ランタイム環境の呼び出し宣言
5二重目の独立検証
- [discrepancy] description 声称 Inworld TTS-2 支持 100+ languages、emotion steering — 正文有 inworld/text-to-speech-2 调用示例且含 [friendly]/[excited] 情绪标记（emotion steering 有据）；但 '100+ languages' 这一具体数字在 SKILL.md 内无出处——数值来自平台宣称，本源码无法定位。
- [ok] 成本对比表自洽性 — 表内 ~28s/s ≈ 1.83s/s×15（'15x slower' 一致）、$0.16≈$0.025×6.4（'6.4x more' 一致）；数字为平台方宣称，作为选型参考存在。
- [ok] P-Video-Avatar 30 voices/10 languages 声明 — 表内 Built-in TTS 列与正文 UGC 章节（'30 voices, 10 languages — match your target audience'）两处一致。
- [ok] 四条工作流（TTS+Avatar / 配音流水线 / 画像→头像 / UGC 批产）可执行性 — 每条均含完整 belt 命令与重定向；调用的 app-id（inworld/text-to-speech-2、infsh/fast-whisper-large-v3、infsh/kokoro-tts、infsh/latentsync-1-6、pruna/p-image）均在示例内成对出现。
- [ok] 无脚本文件/无凭证/无直连网络 — 目录仅 SKILL.md；执行面为 allowed-tools 白名单 belt；多行 shell 仅以示例文本存在，由宿主执行。
- [ok] 本地文件写入面 — 仅示例重定向 > speech.json / > transcript.json / > new_speech.json，属执行示例时的落盘行为。
- [ok] 肖像/音频为远程 URL 输入 — 全部示例输入 image/audio/image_url/audio_url 值为 https://…，无本地路径。
- [unlocatable] installs 安装量 — 无公开安装量数据源，置 null。
6結論
28ad95bf92e9736e…