Pruna 推出 P-Video-2-Pro-Avatar：一张人像加音频或台词，生成最长 3 分钟口播视频
Pruna AI 于北京时间 10 月 23 日凌晨发布基于 MiniMax H3 的 P-Video-2-Pro-Avatar：上传一张人像，再配上音频或文字台词，即可生成口型同步的说话视频，时长 1 秒至 3 分钟。首发两周 480p/768p 半价，优惠至 11 月 5 日 18:00（中欧时间）；已开放 API 与 Playground，并可通过多家推理合作方调用。
据 Pruna AI 官方 X 账号 10 月 22 日（美国时间）的发布，以及 产品页 与 API 文档，这家以模型压缩与推理优化著称的公司上线了说话人像端点 P-Video-2-Pro-Avatar（模型 ID：p-video-2-pro-avatar），底层基于 MiniMax H3。定位很明确：一张肖像 + 你的声音或台词 → 一段口型对齐的口播片。
官方与文档写明的要点如下：
- 输入：一张人像（jpg/png/webp，最大约 20 MiB）为必填；再二选一——上传语音文件（最长约 3 分钟、约 64 MiB），或填写
voice_script由内置 TTS 朗读；两者同时给时，以上传音频为准； - 输出：24 fps 的 MP4，时长跟音轨走，约 1 秒–3 分钟；画面比例由人像决定；
- 分辨率与参考价（文档）：480p 约 $0.02/秒、768p 约 $0.04/秒；1080p / 2K / 4K 为在 768p 上再超分（另计超分价），4K 音频最长约 125 秒。官方称首发两周对 480p/768p 五折，截止 11 月 5 日 18:00 CET，以生成前页面显示为准；
- 音色与语种：文档列出约 30 个 TTS 音色；
voice_language可选英（美/英）、西、法、德、意、葡（巴西）、日、韩、印地等；还可用voice_prompt写语气、节奏，用prompt描述场景动作（默认开启视觉模型补全场景运动的prompt_upsampling）； - 入口：Pruna 自有 API / Playground，以及文档与第三方报道提到的 Replicate、Cloudflare、Together 等合作通道；ComfyUI 官方曾表态「会接入」，截至发稿以各渠道实际上线情况为准。
需要注意：效果与口型精度仍以实测为准；高分辨率档多为超分路径，不等于原生 4K 直出。涉及真人肖像时，务必只用自己有授权的素材。
对创作者意味着什么： 做口播号、产品讲解或虚拟角色短视频时，常见流程是「先配音、再对口型、再补画面」。这个端点把人像驱动和口型合成收成一次 API 调用，适合用成品旁白先出一条呈示片，再决定要不要进专业时间线精修。建议用自己真实的旁白和人像各跑 480p、768p 一小段，核对口型、表情和背景乱动是否可接受；批量商用前核对 Pruna 与底层模型对肖像、声音克隆和输出授权的条款，优惠窗口过期后按常规秒价计费。
信息来源：Pruna AI 官方 X 账号（本文为编辑整理改写）
