Pixelle-Video：给一个主题就自动出片，28k Star 的开源「全自动短视频引擎」-二楼后座

想做短视频，选题其实不难，难的是后面那一长串机械劳动：写文案、找配图、配人声、铺背景音乐、对字幕、导出。一条 1 分钟的视频，就算熟练工也要一两个小时。想靠这个做号、做矩阵，人力根本顶不住——你算过就知道了，一天能出两条已经是极限。

于是很多人去找「AI 一键成片」。市面上的东西大概分两类：一类是网页版 SaaS，模板固定、按条收费，素材还得先传到别人服务器；另一类是开源项目，能自己部署、数据和模型都在自己手上，但不少项目要么停更、要么只认某一个固定模型，换个模型就废了。

今天要说的 Pixelle-Video 属于第二类里目前最活跃的那一个。它的逻辑很简单：你给一个主题，它把文案、配图、配音、背景音乐、合成全部做完。官方给的宣传语是「3 分钟生成一个短视频」，这句话有水分（取决于你接的模型速度），但它至少把流程真的串起来了。

Pixelle-Video：输入一个主题，自动生成文案、配图、配音与成片（开源，Apache-2.0）

如果你平时也在挑 AI 工具，可以先看一眼站内这篇按需求挑 AI 工具的思路，再决定要不要为「自动出片」单独装一套东西。

一、先说清楚：它到底解决什么问题

它解决的不是「生成一条惊艳的片子」，而是「把一条能发的片子做出来，且不用我坐下剪」。这两件事差别很大，先说破，省得你装完失望。

它真正省掉的是这四件事：

写稿：给个主题，自动出标题、旁白和分镜脚本；
配图：把旁白逐句拆成分镜，每句配一张图（或一段视频）；
配音：接入 TTS 直接出人声，还能传参考音频做音色克隆；
合成：按你选的模板排版、贴字幕、铺 BGM、导出成片。

换句话说，它是一个流水线调度器，不是一个「视频模型」。这句话很重要——它同时决定了它的上限和下限，后面第五节还会展开。

二、关键数据先摆出来

项目	数值
仓库	github.com/ATH-MaaS/Pixelle-Video
Star / Fork	28,674 / 4,172
开源许可	Apache-2.0
主要语言	Python
最新发行版	v0.1.15（2026-01-27，Windows 一键整合包）
整合包累计下载	约 81,000 次
内置模板 / 工作流	31 套模板、29 套工作流
贡献者 / 提交	15 位贡献者，核心作者提交 245 次
首次发布 / 最近提交	2025-11-07 / 2026-06-14

数据取自 GitHub API，统计于 2026-10-06

两万八千多 Star、八万多次整合包下载，说明它不是自嗨项目。但 Star 只代表「有人觉得这事值得」，不代表「它适合你」——下面几个问题才是真正决定体验的。

两个容易踩的坑，先说明白

第一，仓库地址已经换了。这个项目最早在 AIDC-AI 组织下，现在整个组织改名成了 ATH-MaaS，所以 README 里的徽章、文档链接、下载链接全都还写着旧名字。aidc-ai.github.io 那个文档站现在直接 404，正确地址是 ath-maas.github.io/Pixelle-Video/zh。如果你搜到旧链接打不开，不是项目挂了。

第二，它不是「破解版剪映」。它不提供任何平台的素材库，也不帮你搬运别人的视频。所有画面要么是 AI 现生成的，要么是你自己上传的素材。这一点比什么都重要——它决定了你能拿它做什么内容，也决定了你在平台上的合规风险。

三、整条流水线长什么样

下面是官方流程图。左边输入文本，右边输出视频，中间那个橙色大框就是它真正干活的地方：

拆开看是四步：生成脚本（标题 + 旁白）→ 生成分镜提示词 → 逐环节产出（音频 / 图片 / 合成帧 / 渲染片段）→ 拼接并铺 BGM 输出成片。

四、界面怎么用：三步出第一条

它跑起来是个本地网页（Streamlit），三栏布局，不需要写代码：

Pixelle-Video 的 Web 界面：左侧内容输入、中间配音与分镜模板、右侧生成视频

流程只有三步：① 展开「系统配置」把模型密钥填上 → ② 左侧填主题（或直接贴现成文案）→ ③ 点「生成视频」。中间你还能顺手调这几样：分镜数量（0 到 10+，直接决定视频长短）、语速、男声/女声、分镜模板、图像尺寸。

三个配置项分别管什么，别填错：

配置项	管什么	常见选择	能不能跳过
LLM 配置	写文案、拆分镜	通义千问 / GPT-4o / DeepSeek / Ollama	不能，必须填
ComfyUI / RunningHub	出图、出视频、出语音	本地 ComfyUI，或云端 RunningHub	二选一，至少配一个
API 媒体模型	不装 ComfyUI，直连模型厂商	OpenAI、DashScope、火山 ARK、可灵	可以，只在用 `api/` 工作流时才需要

三项配置的职责划分

关于「画风很丑」这件事

很多人第一眼看到官方示例会觉得：「就这？火柴人？」——这其实不是它不行，而是默认提示词前缀决定的。它的默认值是：

Minimalist black-and-white matchstick figure style illustration,
clean lines, simple sketch style

也就是「极简黑白火柴人线稿」。这个前缀是写在 config.yaml 里的，改掉它 + 换一个图像模型，画风立刻就变了。默认这个风格只是因为它加载快、成本低，适合先把流程跑通：

所以别拿默认效果去判断这个项目的上限。真正决定成片好看程度的，是你接的那个图像/视频模型。

五、要花多少钱？（这是最容易误会的地方）

先说一句最关键的澄清，能省你很多纠结：Pixelle-Video 本体几乎不消耗显卡。它是个调度壳，真正的重活——出图、出视频、跑 TTS——全在它外面：本地 ComfyUI、云端 RunningHub，或者直连的模型 API。

所以「我电脑没显卡能不能用」的答案是：能用，只不过你要么付 API 的钱，要么租云显卡跑。三种方案的账大概是这样：

方案	怎么配	成本	适合谁
完全免费	LLM 用 Ollama（本地跑）+ 本地 ComfyUI	0 元	有能跑 ComfyUI 的显卡，且愿意折腾
推荐	LLM 用通义千问 + 本地 ComfyUI	官方口径：3 段分镜约 0.01–0.05 元	有显卡但想省事，文案质量要稳
纯云端	LLM 用 OpenAI + 图像走 RunningHub	明显更高，按量付费	完全不想碰本地环境

三种成本方案的取舍

要提醒的是：那个「3 段分镜 0.01–0.05 元」只算了 LLM 写文案的钱，没算图像和视频生成。真正的开销大头在出图和出视频上——用云端视频模型的话，单条成本可能直接上一个量级。跑之前先在心里估一遍，别等账单出来才发现。

六、三种部署方式，按自己的情况选

方式	前置要求	启动命令	适合谁
Windows 一键整合包	无（已打包 Python / uv / ffmpeg）	解压后双击 `start.bat`	Windows 用户，想最快跑通
源码安装	Python 包管理器 uv + ffmpeg	`uv run streamlit run web/app.py`	macOS / Linux，或想改代码
Docker Compose	Docker / Docker Desktop	`USE_CN_MIRROR=true docker-compose up -d`	想装到 NAS / 服务器上长期跑

三种部署方式的对比

Windows 整合包在 GitHub 的 Releases 里，最新那个 zip 约 380 MB。解压运行后浏览器会自动打开 http://localhost:8501，在「⚙️ 系统配置」里填好密钥就能用。

源码方式要装两个前置依赖，命令如下：

# 1) 装前置依赖
macOS:            brew install ffmpeg
Ubuntu / Debian:  sudo apt update && sudo apt install ffmpeg

# 2) 拉代码并启动
git clone https://github.com/ATH-MaaS/Pixelle-Video.git
cd Pixelle-Video
uv run streamlit run web/app.py

Docker 方式多一句提示：国内建议加 USE_CN_MIRROR=true，它会自动走清华源，否则构建阶段大概率卡住。起来之后 Web 界面在 8501，后端 API 在 8000。config.yaml 和 output/ 都挂到了宿主机上，容器删了配置和成片也还在。

七、它最大的价值：能力可以随便换

仓库里实打实放了 31 套排版模板和29 套 ComfyUI 工作流，而且命名有规律，看一眼就知道是干什么的：

模板前缀	含义	是否需要 AI 生成素材
`static_*.html`	纯文字排版	不需要，最省算力
`image_*.html`	AI 图片做背景	需要出图
`video_*.html`	AI 视频做背景	需要出视频，最贵

模板命名规范，按尺寸分目录：竖屏 1080×1920 有 25 套、横屏 1920×1080 有 5 套、方形 1080×1080 有 1 套

工作流则分本地和云端两套：workflows/selfhost/ 下 8 套（跑在你自己装的本机 ComfyUI，如 image_flux.json、image_nano_banana.json、tts_index2.json），workflows/runninghub/ 下 21 套（走云端算力，本地零配置）。文件名一样的那两个，就是同一件事的本地版和云端版。

想塞自己的工作流进去也不难，三步：先在本地 ComfyUI 里把流程跑通；把负责提示词的文本节点标题改成 $prompt.text!（或 $prompt.value!，看节点接受哪种输入）；用「Save (API Format)」导出 JSON，按前缀丢进 workflows/ 就行——出图用 image_、出视频用 video_、语音用 tts_。文件名前缀错了，界面上就不会出现。

最近几个版本还往「素材分析」方向扩了：2026-01 加了数字人口播、图生视频、动作迁移三个扩展模块；2026-06 又加了直连 API 媒体模型配置（能在界面里直接填供应商的 Base URL 和代理开关）。也就是说它已经不只会做「图文卡片 + 旁白」这一种视频了。

八、常见问题

生成的视频存在哪？

存在项目目录下的 output/ 文件夹，界面上会显示时长、文件大小和分镜数量，可以直接下载。Docker 部署的话，你挂载 ./output 的那个宿主机目录就是。

语音合成老失败，是不是坏了？

大概率不是。默认的 Edge-TTS 调的是微软免费接口，网络一波动就失败，这是已知问题。解决办法是换成 ComfyUI 的 TTS 工作流（选 tts_ 前缀的那些，比如 tts_index2.json），稳定性高得多。

报错「Could not find a Chrome executable」怎么办？

系统里没装 Chrome。部分依赖浏览器的功能（比如模板渲染截图）需要它，装一个 Google Chrome 就好。

报 LLM 相关错误怎么排查？

按顺序查三样：Base URL 有没有多空格或多余斜杠、API Key 有没有余额、模型名有没有拼错。官方 FAQ 里这三条排在最前面，说明绝大多数报错都出在这里，跟你装的引擎没关系。

出来的片子不满意，从哪开始调？

按影响力从大到小：① 换 LLM（文案节奏和分镜逻辑全变了）→ ② 改提示词前缀 + 换图像模型（画风）→ ③ 换 TTS 或传参考音频（音色）→ ④ 换模板和尺寸（排版）。前两项动一下，效果差别比后两项大得多。

九、什么情况下其实不需要它

说点不讨好的。这工具不是人人都该装，下面几种情况建议先别折腾：

你的号靠真人出镜或实拍。那它帮不上忙——它做的是「图文 + 旁白」这类合成视频。真要走拍摄路线，看站内这篇从零开始入门短视频的拍摄剪辑更实在。
一周只发一两条，且剪映已经用得很顺手。边际收益很低。省下来的时间还不够你填配置表。
既不想碰命令行，也不想付任何 API 费用。体验会很差——出图慢、画风差，你大概率是用两天就卸载。
你只是想要现成的视频素材。那你需要的是下载工具，不是生成工具。站内这篇自托管的视频数据采集与下载 API更对口。

反过来说，它最适合的是这种人：有明确的批量内容方向（知识科普、书单、情感语录、历史故事这类图文型口播），能接受先花半天把环境配好，之后每天稳定出好几条。这时候它的价值才真正体现出来——因为它省的不是「做一条视频的时间」，而是「每条视频里那一段重复劳动」。

如果你只是想先玩玩 AI 配图和内容卡片，站内这篇AI 创作工具箱的用法门槛更低，不用装任何服务。

十、使用边界与合规提醒

这几条跟你账号的安全直接相关，比装不装得起来更重要：

AI 生成内容要标注。主流平台基本都要求对 AI 生成的画面/人声做标识，别心存侥幸。标注不是减分项，被判定为「未标注的 AI 内容」才是。
别拿它做搬运和洗稿。它能生成画面，不代表你可以把别人的视频扒下来过一遍再发。真要找参考素材，走正规授权渠道。
声音克隆只用你本人或已获授权的声音。它的 Index-TTS 工作流支持上传参考音频克隆音色。用别人的声音（尤其是名人）去做内容，风险很高。
注意「两层许可」。Pixelle-Video 的代码是 Apache-2.0，商用没问题；但你调用的第三方模型 API（图像、视频、TTS）各有各的条款和商用限制，那部分得单独看。