做 AI 视频这事，最烦的从来不是写提示词，而是模型太多、入口太散。Veo 在谷歌那套体系里，Seedance 是字节的，Wan 来自阿里和 fal，每家的 API 风格、鉴权方式、参数命名全不一样。你想横向比一比哪个效果好，光是把环境配齐就够喝一壶。
inference.sh 的这个 ai-video-generation Skill，想解决的正是这个碎片化问题。它的定位很直接：一个 Skill，把 40 多个视频模型塞进同一个命令行入口。不管你要 Veo 3.1 还是 HappyHorse，调用方式都是同一句 belt app run。
这篇文章会带你走一遍它的完整用法。从装 CLI、登录，到第一条生成命令，再到文本生视频、图片生视频、数字人对口型这些不同场景该挑哪个模型。读完你大概能判断出：这种”聚合层”设计到底是省事，还是只是把复杂度挪了个地方。
先说清楚一点，这个 Skill 本身不跑模型。它是个翻译层，把你的自然语言意图变成规范的 belt 命令，真正的推理发生在 inference.sh 的云端。这个边界，后面会反复提到。
环境准备
用它之前，你需要 inference.sh 的命令行工具，名字叫 belt。Skill 的 frontmatter 里写得很死，allowed-tools: Bash(belt *)，意思是它只被授权执行 belt 开头的命令，别的一概不碰。这个约束本身就说明了它的设计意图：薄、专一、不越界。
安装方式有两条路。如果你用 Claude Code，直接装插件最省事；如果你只想要这一个能力，单独拉这个 Skill 也行。两种方式的命令如下：
# 方式一：作为 Claude Code 插件安装全部 skill
/plugin install inference-sh
# 方式二：只装视频生成这一个 skill
npx skills add inference-sh/skills@ai-video-generation
装完 Skill 还不够，belt CLI 是单独的依赖，得按官方 cli-install 文档单独装。装好之后第一件事是登录，否则任何 belt app run 都会因为没有凭证而失败。
belt login
这里有个容易被忽略的卡点。belt 走的是云端推理，登录绑定的是你 inference.sh 账户的额度。也就是说，环境就绪不等于能免费跑。生成视频是要消耗账户余额的，这点和本地部署的开源模型完全是两种逻辑，心里要先有数。
操作流程
跑通一个视频，核心就一句话的结构：belt app run <模型ID> --input '<JSON 参数>'。模型 ID 决定调哪个模型，JSON 参数决定生成什么。把这两块拆明白，整个 Skill 你就掌握了七成。
最基础的文本生视频，拿 Veo 3.1 Fast 举例，只给一个 prompt 就能跑：
belt app run google/veo-3-1-fast --input '{"prompt": "drone shot flying over a forest"}'
想要更多控制，就往 JSON 里加字段。比如 Grok 的视频模型支持自定义时长，加个 duration 就行。不同模型支持的参数不一样，这是用这个 Skill 时最大的认知负担来源，后面会专门讲。
belt app run xai/grok-imagine-video --input '{
"prompt": "Waves crashing on a beach at sunset",
"duration": 5
}'
图片生视频的逻辑也一样，只是把 prompt 换成图片地址。值得留意的是参数名在不同模型间并不统一，有的叫 image_url，有的就叫 image。这个不一致后面是要吃亏的，先记住这个坑。
belt app run falai/wan-2-5 --input '{"image_url": "https://your-image.jpg"}'
如果不知道有哪些视频模型可选，不用去翻文档，belt 自带商店。一条命令列出全部视频类应用，这是我觉得这个 Skill 最实用的辅助设计之一，省去了记一长串模型 ID 的负担。
belt app store --category video
关键设计
这个 Skill 最值得拆的，是它的”聚合层”设计哲学。它没有给每个模型封装一套复杂的工具函数，而是反过来，把所有模型统一成 belt app run + JSON 这一个极简接口。从 SKILL.md 的结构看，它把模型按能力切成了五类：文本生视频、图片生视频、数字人对口型、视频编辑、工具类。
这种设计的好处显而易见。你学一次调用方式，就能用上全部 40 多个模型，横向对比的成本被压到了最低。同一段 prompt，换个模型 ID 就能在 Veo 和 Seedance 之间切换，这种切换成本在传统的多 SDK 方案里是不可想象的。
但代价也很实在。统一了”怎么调用”，却没法统一”调用什么”。每个模型的 --input 字段是各家自己定的，时长范围、分辨率选项、有没有音频生成，全得查具体 app。Skill 文档里给了一堆示例，本质上就是在替你记这些差异，但它没法消除差异。
我个人觉得，这个 trade-off 是诚实的。它没装作能抹平所有模型的差异，而是老老实实把差异以”示例清单”的形式摊开给你看。比 Seedance 2.0 用 generate_audio 控制音频、HappyHorse 用 resolution 指定 1080P，这些细节它都列了出来。聚合层能做的就到这里，再往上抽象反而会失真。
还有个藏在 description 字段里的设计值得一提。它把 veo、sora alternative、runway alternative、pika、kling 这些触发词几乎塞满了整段描述。这不是堆关键词凑数，而是为了让 Agent 在用户说”帮我做个视频”时能准确命中这个 Skill。对一个给 AI 用的 Skill 来说，被正确触发本身就是核心能力。
使用场景
光看命令容易懵，挑几个真实场景串一下就清楚了。最直接的是社交媒体短视频，文本生视频配上音频一步到位。Seedance 2.0 在这个场景里挺有代表性，它支持文本、图片、参考图三种输入，还能同步生成音频。
belt app run bytedance/seedance-2-0 --input '{
"prompt": "a jazz band performing in a dimly lit club",
"generate_audio": true,
"duration": 10
}'
第二个高频场景是数字人和对口型。你有一张人像照片加一段语音，想让照片里的人开口说话。这类需求对应的是 OmniHuman 和 Fabric 这几个模型，参数也很直白，给图给音频就行。
belt app run bytedance/omnihuman-1-5 --input '{
"image_url": "https://portrait.jpg",
"audio_url": "https://speech.mp3"
}'
不同输入会带来完全不同的产出形态，这也是这个 Skill 覆盖面广的地方。同样是视频生成，文本生视频靠想象力，图片生视频保留构图只加运动，数字人则要求音画同步。下面这张表把五类能力的代表模型和适用场景理了一遍。
| 能力类别 | 代表模型 ID | 最擅长的场景 |
|---|---|---|
| 文本生视频 | google/veo-3-1-fast |
凭一句描述生成完整画面，带音频 |
| 图片生视频 | falai/wan-2-5 |
给静态图加运动，保留原构图 |
| 数字人/对口型 | bytedance/omnihuman-1-5 |
人像加语音生成说话视频 |
| 视频编辑 | alibaba/happyhorse-1-0-video-edit |
用自然语言改视频内容 |
| 工具类 | infsh/hunyuanvideo-foley |
给无声视频补音效、超分、合并 |
它最擅长的边界，是”我知道大概想要什么，但不想为每个模型单独配环境”的快速试验场景。工具类那几个模型尤其有意思，Foley 给视频补音效，Topaz 做超分，Media Merger 加转场拼接，等于把视频后期的几个零碎环节也收进了同一个入口。
洞察与反思
真正用起来后，有个地方和我预期的不太一样。我原以为这种聚合 Skill 的价值在于”功能强大”，跑了一圈才意识到，它的价值其实在于”降低决策成本”。当所有模型都在一个 belt app store --category video 里平铺出来时，选型这件事突然变轻了。
和那些把模型深度封装的方案比，它走的是相反的路。封装型 SDK 给你漂亮的函数签名和类型提示，但每加一个新模型都要重新封一遍。这个 Skill 的薄封装让它能轻松跟上模型的更新速度，新模型上线只要补一行示例就行。代价是你得自己消化参数差异，没有 IDE 帮你补全。
说实话，这点我一开始没太意识到它的分量。对 Agent 场景来说,薄封装反而是优势。Agent 不需要类型提示，它需要的是一个稳定、可预测、覆盖面广的命令模式。belt app run 这种结构对模型来说极其友好，参数就是一段 JSON，没有任何隐藏状态。这可能才是它选择不做重封装的真正原因。
当然它的短板也很清楚。强依赖 inference.sh 的账户和余额，离线场景直接出局；参数不统一意味着你仍然要查文档；它也没在 Skill 层面给出失败重试或异步轮询的明确说明，这些得靠 belt CLI 本身和 streaming 文档去补。它解决了”入口碎片化”，但没解决”参数碎片化”，这个区分很重要。
资源地址
| 资源 | 链接 |
|---|---|
| GitHub 仓库 | https://github.com/inference-sh/skills |
| ai-video-generation Skill | https://github.com/inference-sh/skills/tree/main/tools/video/ai-video-generation |
| 官网 | https://inference.sh |
| 运行应用文档 | https://inference.sh/docs/apps/running |
| CLI 安装说明 | https://raw.githubusercontent.com/inference-sh/skills/refs/heads/main/cli-install.md |
总结
回头看，这个 Skill 的核心就三步：装 belt、belt login、belt app run <模型ID> --input。剩下的全是在五类能力里挑模型、调参数。它把视频生成里最折磨人的”入口碎片化”问题处理得很干净。
它最适合的人，是想快速横向比较多个视频模型、又不愿意为每家单独配环境的人。如果你只盯着一个模型长期深耕，或者需要离线本地推理，这个聚合层对你意义就不大。
想再深入，可以从 belt app store --category video 开始，把每类能力的代表模型各跑一遍，亲手感受 Veo 和 Seedance 在同一段 prompt 下的差异。那种切换成本几乎为零的体验，才是这个 Skill 真正想给你的东西。