Pixelle-Video 指南：如何从一个主题自动生成完整短视频

Pixelle-Video 指南：如何从一个主题自动生成完整短视频

【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

Pixelle-Video 是一款开源的 AI 全自动短视频引擎：输入一个主题，它自动完成文案撰写、AI 配图、语音合成、背景音乐添加和视频合成五道工序，几分钟内输出一条可直接发布的成品短视频。项目采用 Apache 2.0 协议，本地部署方案可以做到零成本运行。

一句话主题到成片，中间发生了什么

很多人以为这类工具只是"把文字念出来配上图片"，Pixelle-Video 的实际流程比这完整得多。整条流水线分为四步：

1. 文案生成：LLM 根据主题写出解说词，并按分镜（一段解说对应一个画面）拆分
2. 配图规划：为每个分镜生成 AI 图片，或直接用 AI 视频模型（如 WAN 2.1）生成动态背景
3. 逐帧处理：把文案、配图、模板排版渲染成帧画面
4. 视频合成：叠加语音解说与 BGM，用 ffmpeg 合成最终 MP4，保存到output/文件夹

生成过程中 Web 界面会实时显示当前步骤，例如"分镜 3/5 - 生成插图"。按官方快速开始文档的说明，生成一个 5 分镜的视频大约需要 2-5 分钟，具体取决于 API 响应速度和图像生成速度。

两种输入方式

• AI 生成内容：只输入主题（如"为什么要养成阅读习惯"），文案由 AI 创作
• 固定文案内容：粘贴现成脚本，还支持按段落、按行、按句子三种方式拆分成分镜，适合已有稿件的场景

核心能力：四个可替换的 AI 环节

Pixelle-Video 把文案、图像、语音、视频四类能力拆成可独立替换的模块，你可以按自己的硬件条件混搭。

各环节支持的选项

这种设计的好处是：有显卡就全本地跑，没显卡就全走云端，甚至图文走云端、语音走本地也行。所有工作流都是 workflows/ 目录下的 JSON 文件，分selfhost/（本地）和runninghub/（云端）两组，放一个新的 JSON 进去，Web 界面的下拉菜单就会出现新选项。

三条扩展流水线

除了标准流水线，仓库的web/pipelines/下还内置了三条扩展流水线，对应最近几个版本的更新记录：

• 数字人口播（digital_human）：生成虚拟人物讲解视频，示例包括韩语口播
• 图生视频（i2v）：静态图片转动态片段
• 动作迁移（action_transfer）：上传参考视频和图片，把动作迁移到新内容上

此外还有自定义素材模式：上传自己的照片和视频，AI 分析后生成匹配脚本；历史记录页面支持批量创建视频任务。

一条命令启动本地 Web 界面

前置条件

源码方式运行只需两样东西：Python 包管理器uv和ffmpeg。Windows 用户也可以直接用官方的"一键整合包"，里面已含全部依赖，解压后双击start.bat即可，无需安装任何环境。

git clone https://gitcode.com/GitHub_Trending/pi/Pixelle-Video cd Pixelle-Video uv run streamlit run web/app.py

浏览器会自动打开http://localhost:8501。项目也提供了 Dockerfile 和 docker-compose.yml，容器用户按 docs/ 中的说明部署即可。

首次配置的三组密钥

界面是三栏布局：左侧内容输入、中间语音与视觉设置、右侧生成与预览。首次使用需展开"系统配置"面板：

1. LLM：下拉选预设模型（如通义千问），自动填充 base_url 和 model，填入 API Key
2. 媒体生成：填本地 ComfyUI 地址（默认http://127.0.0.1:8188）并点"测试连接"，或填 RunningHub API Key；直连供应商时再配 OpenAI、DashScope、ARK、Kling 的密钥
3. 模板：默认是1080x1920/image_default.html

完整配置项可参考 config.example.yaml，其中还包括 RunningHub 并发限制（1-10）和提示词前缀（prompt_prefix，用来统一控制配图画风）等可调参数。

竖屏、横屏、方形：三种尺寸的模板怎么选

模板是这套系统的另一个核心。templates/ 目录按尺寸分了三个文件夹，模板文件用 HTML 写画面排版，配合 Jinja2 变量（{{ title }}、{{ text }}、{{ image }}）注入内容。

从文件名判断模板类型

命名规则直接告诉你它需要什么资源：

• static_*.html：静态模板，纯文字排版，不需要任何 AI 生成服务，速度最快，新手可以零配置先跑通
• image_*.html：图片模板，每个分镜需要 AI 生成一张配图
• video_*.html：视频模板，需要 AI 视频模型生成动态背景，效果最重但耗时也最长

竖屏模板风格覆盖较全：卡通、治愈、电影感、图书解读、养生科普、霓虹、极简黑底、80 年代讽刺漫画等，Web 界面里可以点"预览模板"自定义参数测试效果。想自己加模板，照 docs/zh/user-guide/templates.md 里给的 HTML 示例改个样式、放进对应尺寸目录就行。

进阶玩法：声音克隆、BGM 与成本控制

声音克隆与背景音乐

• 选择支持声音克隆的 TTS 工作流（如 Index-TTS）后，上传一段参考音频（MP3/WAV/FLAC），生成的解说就会用这个声音朗读，支持上传后直接试听
• BGM 有三档：无 BGM、内置音乐（如 default.mp3）、自定义音乐——把 MP3/WAV 文件丢进bgm/文件夹即可在界面中试听选用

三档成本方案

官方 FAQ 里给出了明确的费用参考：

有本地显卡直接上免费方案；没有显卡就用通义千问配本地 ComfyUI 跑配图，成本基本可以忽略。

生成失败或效果不佳时的排查顺序

先确认连接，再调效果

• ComfyUI 连接失败：确认服务已启动、URL 正确（Docker 环境下 Mac/Windows 要用host.docker.internal:8188），在界面点"测试连接"
• LLM 调用失败：核对 API Key 和网络连接，看终端错误提示
• TTS 不稳定：项目曾锁定 edge-tts 版本修复过该问题，更新到最新代码通常能解决

效果不满意时的四个调节旋钮

官方给出的改进路径：换 LLM 模型（文案风格会不同）、改图像尺寸和提示词前缀（换配图画风）、换 TTS 工作流或上传参考音频（换声音）、换模板和尺寸（换版式）。另外注意提示词前缀需要写成英文，不同模型对图像尺寸限制也不同，默认 1024x1024 是安全值。

接下来做什么

1. 克隆仓库并按上文命令启动 Web 界面，确认 8501 端口可访问
2. 在系统配置面板先填 LLM 密钥，新手可先用 Ollama 本地方案
3. 用static_静态模板 + 一个简单主题跑通第一条视频，验证整条链路
4. 需要 AI 配图时再配置 ComfyUI 或 RunningHub，换成image_模板重新生成
5. 深入模板开发或 API 用法，查阅 docs/ 目录下的模板开发指南和 API 文档

【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