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。

tools/video/ai-avatar-video/SKILL.md

| **P-Video-Avatar** | `pruna/p-video-avatar` | **Best overall: speed, cost, quality, control** | **Yes (30 voices, 10 languages)** |

「Start with P-Video-Avatar」セクションとコスト・速度比較表により、「モデル選定」を経済的な数値情報に変換し、モデル自身による価格比較の手間を省いている。

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。

tools/video/ai-avatar-video/SKILL.md

belt app run inworld/text-to-speech-2 --input '{

ステップ1で `> speech.json` リダイレクトを用いてTTS出力をファイル保存してaudio-urlを取得し、ステップ2でアバターモデルに入力する。この2ステップの結合は、サンプルがそのままパイプラインとして機能することを示している。

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。

tools/video/ai-avatar-video/SKILL.md

belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://video.mp4"}' > transcript.json

「1本の動画をローカライズする」処理が独立して置換可能な4つのappステップに分解されており、各ステップの出力がURL/JSONであるため、人手によるレビューを容易に挟み込める。

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）。

tools/video/ai-avatar-video/SKILL.md

for voice in "Zephyr (Female)" "Puck (Male)" "Aoede (Female)"; do

量産サンプルではvoice_script/voice_prompt/video_promptがループ変数のテンプレートになっており、agentが複数行のBashスクリプトとしてそのまま転用できる。

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）。

tools/video/ai-avatar-video/SKILL.md

"prompt": "professional headshot portrait of a young woman, neutral background, looking at camera, studio lighting, photorealistic",

アバターの品質は入力肖像に大きく依存するため（正面向き、良好な照明などのTips）、skill内に入力素材の要件仕様も明記されている。

2コア機能

01テキスト駆動によるトーキングアバター生成（p-video-avatar内蔵TTS、30種のボイス／10言語対応、voice_script+voiceで即座に生成可能）

02音声駆動によるリップシンク（image_url+audio_urlをOmniHuman/Fabric/PixVerseに入力）

03複数キャラクターアバター（OmniHuman 1.5により複数人が写る画像内で駆動対象のキャラクターを指定）

04吹き替え／多言語ローカライズパイプライン（whisper → 翻訳 → kokoro → latentsync）

05UGC風コンテンツのバッチ生成（同一製品に対する複数プレゼンターのforループ例）

06スタイル制御：voice_promptで口調や感情を制御、video_promptで身体の動きや背景を制御

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

安全運用のための推奨統制措置

Agent 向け

段階的・都度認可、サンドボックス推奨

管理者向け

承認フロー、ロールバック可能、全履歴監査

判定根拠（ファイルパスと抜粋）

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

監査ノート： 同一リポジトリ内のツールskillと同様の構成：スクリプトファイルなし、認証情報読み取りなし、直接の外部通信なし。操作はbelt CLIに集約されており、送信先も予測可能。特記事項：① 処理対象が生身の人間の肖像・音声であり、UGC広告の大量生成には肖像権、音声権、ディープフェイク悪用のリスクが伴うため、許諾を得た素材のみを使用し、AI生成物であることを明示することが推奨される。② 生成ごとに秒単位で課金されるため（$0.025/秒〜）、forループ等によるバッチ生成はコストを急速に増大させる。③ サプライチェーンは従来通り（バージョン固定なしのnpx、inference-shミラー、LICENSEファイル未配置）。統一評価基準に基づく判定：本skillが呼び出す `belt` はサードパーティnpm/npxから配布されるCLI（`npx skills add belt-sh/cli` でインストール）であり、`belt login` の認証状態で動作してinference.shアカウントのクォータ／課金を消費する。「サードパーティCLI呼び出し、かつクォータ／認証状態に影響する」に該当するため、オレンジ（評価後に使用）と判定する。skillのソースコード自体にはトークンや秘密情報の読み取り処理は含まれていない。

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

意思決定プロセスの徹底した前置：推奨モデル、コスト／速度比較表、代替パスの利用タイミングに関するTipが揃っており、量産ユーザーが迷わず実行できる。

ターンキーな多言語ローカライズパイプライン：whisper→kokoro→latentsyncの4ステップで、既存動画を別言語に吹き替える環境が整っている。

2系統のスタイル制御（口調を制御するvoice_prompt ＋動作・背景を制御するvideo_prompt）がサンプル内で明確に分離されており、出力の調整性が高い。

同一エコシステム内でのパイプライン完結：肖像生成（p-image）→ アバター（p-video-avatar）→ 後続の動画編集・配信（Related Skillsとの相互リンクが整備）。

最適な用途： 許諾済み素材（自社所有または購入済みの肖像権）を持ち、AIプレゼンター、UGC風広告、講義・解説動画、多言語ローカライズの量産を行うマーケティングチームに最適。また、OmniHuman/PixVerseを採用するか判断する前に、p-video-avatarを用いて低コストでテスト制作を行いたいユーザーにも適している。

不向きな用途： 肖像権や音声利用の許諾がない場合や、実在人物の容貌を無断で扱うシナリオには不適。素材の外部送信やクラウド保持が一切許容されない環境には不適。特定モデルの効果を高度にカスタマイズしたい用途（OmniHuman専用の独立パッケージなど、特化型skillを利用すべきケース）には不適。コスト予算が確保されていないバッチ自動化には不適。

Install Agent-Ready

① Verified Mirror 2026-09-09

Option A · Direct DownloadDownload ai-avatar-video.tar.gz

sha256: 28ad95bf92e9736e…

Option B · Copy Guide for Agent

install.json

Agent はこの JSON ガイドから自動的にダウンロードして検証します。

② Upstream GitHub

GitHub Repo ↗

Pinned to commit becc256497.