🎬 主要功能：自动选模型的“数字人视频生产线”

ai-avatar-video的独特之处不在于它调用了某个单一模型，而在于它内置了一套意图分类与模型路由机制。

当用户提出一个视频生成需求时，这个技能会先判断几个关键维度——有没有现成的音频文件？要的是写实肖像还是风格化角色？单镜头还是电影级构图？——然后从RunComfy平台上的多个音频驱动头像模型中自动选择最合适的一个，并把该模型的提示词模板和精确的runcomfy run调用命令一起交给AI执行。

目前被路由的主要模型包括：

  • ByteDance OmniHuman（默认路由）：音频驱动的全身数字人。输入一张肖像照片和一段音频，输出的视频中人物会自然地说话、唱歌、做手势。适用于UGC配音、虚拟主播、多语言产品演示等场景。
  • HappyHorse 1.0：无需外部音频文件，脚本直接写在提示词里，模型生成视频的同时自带语音。适用于“写一段台词→直接出视频”的场景，但音频每次重新生成，不适合对特定MP3做精确唇形同步。
  • Seedance v2 Pro：多模态旗舰，支持最多9张参考图、3段参考视频、3段参考音频的组合输入，带电影级运镜和光照控制。适用于广告创意等对画面品质要求高的场景。
  • Wan 2-7：开源权重方案，通过audio_url字段驱动嘴型，适用于需要更大场景自由度的项目。

核心调用流程非常简洁。安装RunComfy CLI并完成登录后，一次典型的生成调用只需要：

runcomfy run <vendor>/<model>/<endpoint> \
  --input '{"prompt": "...", "audio_url": "https://...", "image_url": "https://..."}' \
  --output-dir ./out

提交请求、轮询状态、下载结果，全部由CLI自动完成。

🚀 首次安装：三步完成，基于RunComfy CLI

ai-avatar-video本身不是一个独立工具，而是依赖于runcomfy CLI的一个技能。安装分三步走：

第一步：安装RunComfy CLI

npm i -g @runcomfy/cli

也可以用npx -y @runcomfy/cli --version做一次性试用，不安装到系统。

第二步：登录RunComfy账号

runcomfy login

CI或容器环境中，可以用环境变量export RUNCOMFY_TOKEN=<token>替代交互式登录。

第三步：安装ai-avatar-video技能

npx skills add agentspace-so/runcomfy-agent-skills --skill ai-avatar-video -g

加-g标志表示全局安装，技能对当前用户下所有AI编程工具可见。

🎯 主要应用场景：把文字变成“有人说话”的视频

场景一：UGC风格配音视频

拿到一段录音和一张人物照片，快速产出一条看起来像真人对着镜头说话的短视频。OmniHuman是这个场景的默认选项，支持同一张肖像配合不同语言的音频产出多语言版本。

场景二：有脚本、没有录音的视频

手里只有一段文字稿，没有现成的音频文件。HappyHorse 1.0可以直接把台词写进提示词，模型在生成视频的同时合成语音，省去单独做TTS的步骤。

场景三：产品演示与虚拟主播

用一张产品经理的肖像照片，配合产品介绍脚本，生成一段“产品经理本人讲解”的视频。相比真人反复录制，这种方式修改脚本的成本几乎为零。

场景四：电影级多模态短片

Seedance v2 Pro支持同时传入参考图、参考视频和参考音频，适合制作有特定人物形象、特定场景氛围的广告短片或概念视频。

💡 使用帮助：几个关键细节要留意

技能如何被触发

这个技能会在用户提到“talking head”、“lip sync”、“avatar video”、“make this portrait talk”、“virtual presenter”、“HeyGen alternative”、“Synthesia alternative”、“digital human”等关键词时被自动唤起。你不需要记住确切的命令格式，用自然语言描述需求即可。

模型选择由AI自动完成

你不需要手动指定用OmniHuman还是HappyHorse。技能会先问几个关键问题——有没有现成的音频？要写实还是风格化？——然后自动路由到最匹配的模型。如果对某个模型有明确偏好，也可以在请求中直接说明。

音频格式需要注意

使用OmniHuman等音频驱动模型时，audio_url需要指向一个可公开访问的音频文件地址。本地文件需要先上传到可访问的存储位置，或者通过RunComfy的文件上传接口处理后再传入。

与RunComfy平台其他技能共享CLI

ai-avatar-video使用的是和AI图像生成、AI视频生成、换脸等兄弟技能相同的runcomfy CLI。一次安装CLI和登录，所有RunComfy技能都可以直接使用。

🤖 适合哪些AI工具？

ai-avatar-video是RunComfy Agent Skills生态中的一员，兼容所有支持skills add命令的AI编程环境：

  • Claude Code：作为Anthropic官方命令行AI工具，Claude Code可以直接加载这个技能。安装后，对话中提到“让这张照片说话”或“做个数字人视频”，Claude Code会自动识别意图并调用相应模型。
  • Cursor：在Cursor的AI对话中同样可以通过技能机制触发，适合在编码过程中顺带生成演示素材。
  • Codex CLI：OpenAI的命令行工具也支持相同的技能加载方式。

RunComfy Agent Skills生态中包含一系列通过同一个runcomfy CLI分发的兄弟技能——AI图像生成、AI视频生成、换脸、ControlNet姿态控制、LoRA训练等。安装ai-avatar-video后，如果你后续需要其他媒体生成能力，只需要安装对应的技能即可，CLI本身不需要重新配置。

📝 总结

ai-avatar-video的核心价值在于把“选模型”这件事交给了AI。

RunComfy平台上提供了多个音频驱动头像模型，每个有各自的适用边界——有的要音频文件，有的可以从脚本直接生成；有的适合写实肖像，有的擅长电影级构图。对于不熟悉这些模型差异的用户来说，手动选择本身就是一道门槛。这个技能把这些选择逻辑封装了起来，用户只需要用自然语言描述想要什么，AI负责判断该走哪条路。

如果你有照片和音频/脚本，想要快速产出数字人视频，这个技能值得装一个试试。