Pixelle-Video AI短视频生成引擎：零代码、免费本地部署的完整上手指南-育师

Pixelle-Video AI短视频生成引擎：零代码、免费本地部署的完整上手指南

【免费下载链接】Pixelle-Video🚀 AI 全自动短视频引擎 | AI Fully Automated Short Video Engine项目地址: https://gitcode.com/GitHub_Trending/pi/Pixelle-Video

想做一条短视频，往往卡在三件事上：脚本写不出来、素材找不到、配音没人做，一条几分钟的片子折腾一整天。Pixelle-Video 是一个开源的 AI 短视频生成引擎，把这件事简化成一句话——输入一个主题，它自动写解说词、逐句生成配图、合成语音、加上背景音乐，直接输出成片。项目免费开源，可以完全本地部署，不需要会剪辑，也不需要写代码，配好 API 之后几分钟就能产出第一条作品。

一分钟看懂它能做什么

项目	说明
一句话定位	输入主题，自动生成文案、配图、配音和成片的开源 AI 短视频引擎
核心能力	AI 写文案、逐分镜生成配图/视频、多方案 TTS 配音、背景音乐、多尺寸模板、自定义素材、数字人口播、动作迁移
适用人群	短视频创作者、教育工作者、企业营销人员、个人博主，以及完全零代码的新手
成本	项目开源免费；用 Ollama 本地模型 + 本地 ComfyUI 可零 API 费用跑通全流程，也可选云端 API
硬件要求	走云端服务的话一台普通电脑即可；本地跑图像生成建议用支持 CUDA 的 NVIDIA 显卡

5分钟跑起来 🚀

第 1 步：准备环境（做什么 → 看到什么）

Windows 用户：项目提供一键整合包，无需安装 Python、uv 或 ffmpeg，解压后双击start.bat，浏览器自动打开http://localhost:8501。
macOS / Linux 用户：先装好uv（Python 包管理器）和ffmpeg（视频处理工具），然后克隆仓库：

git clone https://gitcode.com/GitHub_Trending/pi/Pixelle-Video cd Pixelle-Video

第 2 步：启动 Web 界面

uv run streamlit run web/app.py

看到这行命令跑起来、浏览器弹出http://localhost:8501的界面，就说明启动成功了。

第 3 步：首次配置（只做一次）

展开界面里的「⚙️ 系统配置」面板：

LLM 配置：下拉选一个预设模型（通义千问、GPT、DeepSeek、Ollama 本地模型等），填入 API Key。
图像生成：二选一——本地 ComfyUI 填服务地址（默认http://127.0.0.1:8188），或云端 RunningHub 填 API Key；也可以直连 DashScope、OpenAI、Volcengine ARK、Kling 等模型 API。
点「保存配置」即可，配置项的完整字段可参考 config.example.yaml。

第 4 步：生成第一条视频

在左侧「内容输入」选「AI 生成内容」，输入一个主题，比如"为什么要养成阅读习惯"；语音选默认的 Edge-TTS，模板选竖屏的image_default，然后点「🎬 生成视频」。界面会实时显示"生成文案 → 生成配图 → 合成语音 → 合成视频"的进度，完成后右侧自动播放成片，文件保存在output/文件夹。5 分镜的视频大约需要 2-5 分钟，具体看模型响应速度和网络。

一条视频是怎么做出来的 🎬

整条生产链路是"主题 → 文案 → 配图 → 配音 → 成片"，每一步都可以换不同的模型：

主题：支持「AI 生成内容」（只给主题，AI 写稿）和「固定文案内容」（已有现成文案，直接跳过写稿）两种模式。
文案：由 LLM 完成，支持通义千问、GPT-4o、DeepSeek、Ollama（本地 llama3.2）等预设，任何兼容 OpenAI 接口的模型都能接。文案会被切分成若干分镜，默认 5 个，还可以按段落/行/句子分割。
配图：每个分镜单独生成一张插图，默认 1024x1024。生成方式有三档：本地 ComfyUI 工作流、RunningHub 云端工作流（默认image_flux.json），或直连 DashScope、OpenAI GPT Image、Seedream 等图像 API。还能用英文"提示词前缀"统一控制整体画风，比如固定成火柴人简笔画风格。
配音：TTS 工作流自动从 workflows/ 目录扫描，内置 Edge-TTS（默认）、Index-TTS 等方案，支持多语言音色；上传一段参考音频（MP3/WAV/FLAC）还能做声音克隆，先试听再正式生成。
成片：FFmpeg 把插图、语音和背景音乐合成视频。背景音乐可以选内置曲目，或把自己的 MP3/WAV 放进bgm/文件夹使用。

视觉风格与模板怎么选 🎨

模板是 HTML 文件，决定画面的布局和设计，按尺寸分成三组，下拉菜单里也会按组显示：

尺寸	用途	代表模板
竖屏 1080x1920	抖音、快手、小红书等短视频平台	`image_default`、`image_modern`、`image_cartoon`、`image_life_insights`、`video_healing`
横屏 1920x1080	YouTube、B站等	`image_film`、`image_book`、`image_full`、`image_wide_darktech`
方形 1080x1080	信息流/社交卡片	`image_minimal_framed`

模板的命名规则很直白，看前缀就知道它需要什么素材：

static_*.html：静态模板，纯文字样式，不需要AI 生成任何媒体，出片最快；
image_*.html：图片模板，用 AI 生成的图片做背景；
video_*.html：视频模板，用 AI 生成的动态视频做背景，视觉冲击最强。

选模板时可以点「预览模板」先试效果，还能自定义参数测试；会一点 HTML 的话，可以在 templates/ 目录放自己的模板。全部模板的效果图整理在模板文档。

不止自动生成

除了"给主题出片"这条主线，Pixelle-Video 还内置了几个进阶流水线（见 web/pipelines/）：

自定义素材：上传自己的照片和视频，AI 会分析素材内容，自动生成匹配的脚本和解说，还能按旁白时长生成 API 视频片段，适合把已有素材变成成片。
数字人口播：生成数字人形象来讲解视频，适合教育培训、产品演示这类需要"出镜"的场景。
动作迁移：上传参考视频和图片，把动作迁移到目标素材上，做出独特的动态效果。
图生视频：把静态图片变成动态片段，让画面不再呆板。
多语言与批量：TTS 支持多语言音色，历史记录页还支持批量创建视频任务，一次面向多个语言/版本受众出片。

它是怎么搭起来的

Pixelle-Video 采用分层架构：最上面是 Streamlit Web 层（web/），负责界面和交互；中间是服务层（pixelle_video/services/），核心类PixelleVideoCore协调 LLM 服务、图像服务、TTS 服务、视频生成器这四个子服务；底下是 ComfyUI 层，负责实际的图像、视频和语音推理。

它的关键设计是"原子能力可替换"：图像、视频、TTS、素材分析（VLM）每一项都可以独立选择来源——本地 ComfyUI、RunningHub 云端，或直连模型供应商 API，通过 workflows/ 里的 JSON 工作流文件声明（selfhost/放本地工作流，runninghub/放云端工作流）。生成流程本身由 pixelle_video/pipelines/ 里的标准管道、素材驱动管道和自定义管道组织。配置统一用 YAML 管理，技术栈是 Python 3.10+ 加 AsyncIO。更多细节可看架构文档。

场景选型手册

场景	推荐模板	语音/音乐建议
科普讲解	竖屏`image_default`或`psychology_card`（心理学卡片风）	清晰专业的音色，语速适中；加轻快 BGM 增强学习氛围
产品营销	`image_modern`（竖屏）或`image_full`（横屏全屏展示）	自信有力的音色；音乐节奏偏明快，音量压低不抢人声
个人 Vlog / 生活感悟	`image_life_insights`、`video_healing`（治愈系动态背景）	温暖亲切的音色；舒缓 BGM，可用声音克隆保持个人风格
影视解说 / 深度内容	横屏`image_film`、`image_book`	低沉沉稳的音色；音乐克制，突出旁白