字数 2016，阅读大约需 11 分钟

周末在GitHub trending上刷到Pixelle-Video，我点进去的时候以为又是哪个套壳项目，毕竟AI自动化制作视频的套壳产品太多了。仔细看了看还真不是，这个是阿里国际AI团队（AIDC-AI）做的，Apache 2.0开源。

说回这东西本身，输入一个主题，它自动写完文案、生成配图或视频片段、合成语音，加上BGM，吐出一个成品视频。这个东西我看了一下，牛X之处在于不用会剪辑、不用写脚本、没显卡的话直接用云端API，如果有显卡全套跑本地的话，一分钱不用花。

说真的这类工具今年冒出来不少，有的只做文案，有的只做配音，有的只能生图不能生视频。Pixelle-Video是我见到的第一个把整条产线串起来的。

生成流程我直接放图：

就四步：文案生成 → 配图规划 → 逐帧处理 → 视频合成。

它不生成任何东西——就是个把各种模型串起来的装配工

别搞混了，Pixelle-Video不是Runway之类的，它自己不生成任何东西。

它干的事情说白了就是把别人家模型串起来。LLM写文案，丢给ComfyUI或者Seedream出图，再丢给Edge-TTS念稿，最后ffmpeg合在一起，套个HTML模板。每个环节接什么模型全由你自己定，这个产品不会做任何限制。（生成的质量取决于你使用的模型质量）

画质不行换图模型，文案太烂换LLM，声音不喜欢换TTS工作流，不用赌一个模型能把所有事都做好。

WebUI长这样，Streamlit搭的，灰底白框，没什么设计感，就那种「能用就行」的开发者界面：

三栏布局，左边输入，中间调参数，右边预览。我个人还挺喜欢这种风格的，不花里胡哨。

文案：LLM随便换，不想让AI写就贴现成稿子

在左侧栏敲一句「为什么我们还没有找到外星文明」，点生成，LLM给你吐一段解说词出来。这个例子是项目文档里给的，我试了几次，确实能跑通。

接的模型随便换。GPT-4o、通义千问、DeepSeek、Ollama本地模型，下拉菜单直接选，选了自动填好base_url和model。自己搭了私有API的也能接，不挑食。

我拿几个主题跑了一遍，GPT-4o出来的文案更自然，通义千问偏书面，但也够用了。看个人口味，没有哪个一定更好。

不想让AI写也行。切到「固定文案内容」模式，把现成稿子贴进去。项目文档里有个例子是拿这个模式做《斗破苍穹》小说解说，我猜是哪个老哥把自己写的文案直接丢进去出片了。

做科普，为什么我们还没有找到外星文明？，来看看效果：

配图方案：ComfyUI本地、RunningHub云端、直连API，三条路都行

文案有了得配画面。Pixelle-Video在这块的选择空间是我觉得整个项目最对胃口的地方。

三条路：

• • ComfyUI工作流，本地跑，有能打的显卡就行。默认带了个image_flux.json，自己写的也能丢进workflows文件夹，适合本来就在玩ComfyUI的人。
• • RunningHub云端，工作流挂云上，本地不用显卡，按量付钱。支持并行处理和并发数配置。
• • 直连模型API，2026年6月刚上的功能。在WebUI里把DashScope、OpenAI、Seedream、Seedance、Kling这些的API Key一填，画图生视频直接调，ComfyUI都不用装。我自己现在就走这条线，图个省事。

这三条路不是互斥的，比如文案走Ollama本地，配图走Seedream API，语音走Edge-TTS免费方案。这种拼积木的感觉是Pixelle-Video跟其他那种一键出片工具拉开差距的地方。

还有一个小细节：配图风格靠prompt prefix来统一，在视觉设置里填一句英文，比如「Minimalist black-and-white matchstick figure style illustration, clean lines, simple sketch style」，所有分镜都沿用这个风格。不会第一帧油画风第二帧日漫风，这个可以在长视频或者分集短剧中使用，风格不会突变。

语音合成、视频模板，还有几个塞进来的扩展模块

语音这块Edge-TTS免费用，微软的，多语言支持，效果不差。Index-TTS能做声音克隆，上传一段参考音频（MP3/WAV/FLAC都行），它复刻那个声音来念解说词。想做个人IP号的话能省掉每次录音的麻烦。

2026年1月加了多语言TTS，韩语法语日语都能搞。TTS工作流跟配图那套逻辑一样，会写的自己丢进workflows文件夹。

模板系统分三种：static_开头的是纯文字排版，image_开头的是AI生成的图当背景叠文字，video_开头的是AI视频片段当背景。竖屏横屏方形都有，下拉菜单选。

会写HTML的人可以在templates文件夹里自己搞，字号颜色位置动画全都能调。

说实话默认模板的美术就那样，不是我挑剔，是真的偏工具感。要做出小红书那种精致程度得自己磨prompt prefix或者干脆重写模板。但开源项目嘛，架子搭好了，好不好用还得看自己怎么用。

今年初开始这个项目还塞了几个奇怪的模块进来：

• • 数字人口播，上传一张人像图和文案，数字人对着镜头念，韩语日语都行，使用场景应该是跨境电商，毕竟这玩意开发团队背景是阿里国际AI团队嘛。
• • 图生视频，一张静态图让它动起来。动作迁移，传一段参考视频（比如跳舞）和一张图片（比如猫），视频里的动作迁移到图片上，效果就是那只猫在跳那段舞，这个我还没自己试过，看demo挺玄乎的。
• • 自定义素材，上传自己的照片和视频，AI分析完自动生成脚本再合成。

来，展示看看数字人口播效果，（韩语带货口红）

安装

Windows整合包一键启动，完全免费也能跑

Windows用户去Releases页面下整合包，解压，双击start.bat，浏览器自动打开localhost:8501。Python、ffmpeg全在包里，什么都不用装。我第一次用的时候还有点不习惯这种「什么都不用装」的感觉，很少开源项目是这样的，太省心了反而觉得是不是少了什么步骤。

macOS和Linux从源码跑，先装uv和ffmpeg：

git clone https://github.com/AIDC-AI/Pixelle-Video.git
cd Pixelle-Video
uv run streamlit run web/app.py

用完在「系统配置」面板填LLM的API Key、选图像方案，保存，回到左边输入主题点生成，等几分钟完事。

Pixelle-Video可以一分钱不花。Ollama本地跑LLM，ComfyUI本地跑图像，Edge-TTS免费语音，BGM用内置的。零成本。当然得有张能跑ComfyUI的卡，8G显存起步吧。

懒得折腾本地的用通义千问API，做个三段视频大概0.01到0.05元。我自己测过一个三分钟短视频，通义千问加Edge-TTS，API费不到一毛，但是有时候烧的也挺厉害，自己把握好。

全套云端走OpenAI加RunningHub也行，不挑设备，笔记本都能跑，费用猛长，这个适合对视频质量要求很高的玩家。

简单做个总结

这项目当然不是完美的，GPU永远是硬伤，生图生视频吃显存，Pixelle-Video只是个装配工它解决不了这种事。默认模板和默认工作流的审美也就及格水平，出品好不好看全看你自己肯不肯花时间调。

对于不需要特别精美的，做个视频教程啊、内部分享课程啊什么的，这玩意就非常合适。

GitHub地址：

https://github.com/AIDC-AI/Pixelle-Video