name: 说话人头像制作 description: “使用AI头像、嘴唇同步和配音制作说话人头像视频。涵盖肖像要求、音频质量、OmniHuman、PixVerse嘴唇同步、Dia TTS。适用于：发言人视频、课程内容、社交媒体、演示、演示文稿。触发词：说话头、头像视频、嘴唇同步、嘴唇同步、AI发言人、虚拟主持人、AI主持人、omnihuman、说话头像、视频主持人、AI说话头、主持人视频、AI面部视频” allowed-tools: Bash(infsh *)

说话人头像制作

通过 inference.sh CLI 创建带有AI头像和嘴唇同步的说话人头像视频。

快速开始

curl -fsSL https://cli.inference.sh | sh && infsh login

# 生成对话音频
infsh app run falai/dia-tts --input '{
  "prompt": "[S1] 欢迎来到我们的产品导览。今天我将展示三个每周能为您节省数小时的功能。"
}'

# 使用OmniHuman创建说话人头像视频
infsh app run bytedance/omnihuman-1-5 --input '{
  "image": "path/to/portrait.png",
  "audio": "path/to/dialogue.mp3"
}'

安装说明： 安装脚本仅检测您的操作系统/架构，从 dist.inference.sh 下载匹配的二进制文件，并验证其SHA-256校验和。无需提升权限或后台进程。手动安装和验证可用。

肖像要求

源肖像图像至关重要。差劲的肖像 = 差劲的视频输出。

必须拥有

要求	原因	规格
居中取景	头像需要脸部在可预测位置	脸部居中在帧内
头部和肩膀	身体可见以自然手势	裁剪至胸部以下
直视摄像头	与观看者建立联系	直接正面凝视
中性表情	动画的起点	轻微微笑可接受，非大笑/皱眉
清晰的脸部	模型需要检测特征	无太阳镜、严重阴影或遮挡物
高分辨率	细节保留	最小512x512脸部区域，理想1024x1024以上

背景

类型	使用时机
纯色	专业、干净、易于合成
柔焦虚化	自然、生活化感觉
办公室/工作室	商务场景
透明（通过背景去除）	合成到其他场景中

# 生成专业肖像背景
infsh app run falai/flux-dev-lora --input '{
  "prompt": "友好商务人士的专业头像照片，柔和的摄影棚灯光，干净的灰色背景，头部和肩膀，直接眼神接触，中性愉快表情，高质量肖像摄影"
}'

# 或从现有肖像去除背景
infsh app run <bg-removal-app> --input '{
  "image": "path/to/portrait-with-background.png"
}'

音频质量

音频质量直接影响嘴唇同步准确性。干净的音频 = 准确的嘴唇运动。

要求

参数	目标	原因
背景噪音	无/最小	噪音干扰嘴唇同步时间
音量	全程一致	防止同步漂移
采样率	44.1kHz或48kHz	标准质量
格式	MP3 128kbps以上或WAV	兼容所有工具

生成音频

# 简单叙述
infsh app run falai/dia-tts --input '{
  "prompt": "[S1] 大家好！我今天很兴奋地与您分享一些东西。我们一直在开发一个用户数月来一直请求的功能...它终于来了。"
}'

# 带情感和节奏
infsh app run falai/dia-tts --input '{
  "prompt": "[S1] 您知道什么是令人沮丧的吗？花数小时在应该只需分钟的任务上。（叹气）我们都经历过。但如果我告诉您...有更好的方法呢？"
}'

模型选择

模型	应用ID	最适合	最大时长
OmniHuman 1.5	`bytedance/omnihuman-1-5`	多角色、手势、高质量	~30秒每段
OmniHuman 1.0	`bytedance/omnihuman-1-0`	单角色、较简单	~30秒每段
PixVerse 嘴唇同步	`falai/pixverse-lipsync`	在现有视频上快速嘴唇同步	短片段
Fabric	`falai/fabric-1-0`	肖像上的布料/织物动画	短片段

生产工作流程

基础：肖像 + 音频 -> 视频

# 1. 生成或准备音频
infsh app run falai/dia-tts --input '{
  "prompt": "[S1] 您的叙述脚本在此。"
}'

# 2. 生成说话人头像
infsh app run bytedance/omnihuman-1-5 --input '{
  "image": "portrait.png",
  "audio": "narration.mp3"
}'

带字幕

# 1-2. 同上

# 3. 向说话人头像视频添加字幕
infsh app run infsh/caption-videos --input '{
  "video": "talking-head.mp4",
  "caption_file": "captions.srt"
}'

长篇（拼接片段）

对于超过30秒的内容，分割成片段：

# 生成音频片段
infsh app run falai/dia-tts --input '{"prompt": "[S1] 片段一脚本。"}' --no-wait
infsh app run falai/dia-tts --input '{"prompt": "[S1] 片段二脚本。"}' --no-wait
infsh app run falai/dia-tts --input '{"prompt": "[S1] 片段三脚本。"}' --no-wait

# 为每个片段生成说话人头像（使用相同肖像以保持一致性）
infsh app run bytedance/omnihuman-1-5 --input '{"image": "portrait.png", "audio": "segment1.mp3"}' --no-wait
infsh app run bytedance/omnihuman-1-5 --input '{"image": "portrait.png", "audio": "segment2.mp3"}' --no-wait
infsh app run bytedance/omnihuman-1-5 --input '{"image": "portrait.png", "audio": "segment3.mp3"}' --no-wait

# 合并所有片段
infsh app run infsh/media-merger --input '{
  "media": ["segment1.mp4", "segment2.mp4", "segment3.mp4"]
}'

多角色对话

OmniHuman 1.5 支持最多2个角色：

# 1. 生成带两个讲话者的对话
infsh app run falai/dia-tts --input '{
  "prompt": "[S1] 那么告诉我关于新功能。 [S2] 当然！我们构建了一个显示实时分析数据的仪表板。 [S1] 听起来很棒。花了多长时间？ [S2] 从概念到发布大约两周。"
}'

# 2. 创建带两个角色的视频
infsh app run bytedance/omnihuman-1-5 --input '{
  "image": "two-person-portrait.png",
  "audio": "dialogue.mp3"
}'

取景指南

┌─────────────────────────────────┐
│          头顶空间（最小）     │
│  ┌───────────────────────────┐  │
│  │                           │  │
│  │     ● ─ ─ 眼睛在1/3处 ─ ─│─ │ ← 眼睛在顶部1/3线
│  │    /|\                    │  │
│  │     |   头部和肩膀可见  │  │
│  │    / \                    │  │
│  │                           │  │
│  └───────────────────────────┘  │
│       裁剪至胸部以下           │
└─────────────────────────────────┘

常见错误

错误	问题	修复方法
低分辨率肖像	脸部模糊、嘴唇同步差	使用1024x1024以上脸部区域
侧面角度	嘴唇同步无法良好追踪嘴巴	使用正面或近正面
嘈杂音频	嘴唇同步漂移、看起来不自然	录制干净音频或使用TTS
过长片段	30秒后质量下降	分割成片段、拼接
太阳镜/遮挡	脸部特征隐藏	需要清晰脸部
不一致的照明	动画时不自然	均匀、柔和照明
无字幕	失去静音/移动观看者	始终添加字幕

AI说话头像视频制作Skill talking-head-production

说话人头像制作

快速开始

肖像要求

必须拥有

背景

音频质量

要求

生成音频

模型选择

生产工作流程

基础：肖像 + 音频 -> 视频

带字幕

长篇（拼接片段）

多角色对话

取景指南

常见错误

相关技能