阿里达摩院孵化的 AIDC-AI 团队开源了 Pixelle-Video——你只要输入一个主题，AI 自动完成"写文案→配图/视频→配音→配 BGM→合成"整条流水线，几分钟产出一条完整短视频。半年 21,751 星，Apache 2.0 可商用。
最近看到一个让人坐不住的项目：Pixelle-Video。
它的玩法很简单——你只要给它一个主题（比如"为什么要养成阅读习惯"），点一下按钮，几分钟之后它就给你吐出一条完整的短视频。文案、配图、配音、BGM、字幕、动效全搞定，你连剪辑软件都不用开。
官方原话："零门槛，零剪辑经验，让视频创作成为一句话的事。"
听起来像噱头？我去翻了它 GitHub 上 21,751 颗星背后的真实数据，把它和同类项目做了个交叉对比，给你完整拆解这套"AI 短视频印钞机"到底能不能用、值不值得用。
一、项目概况：阿里达摩院出的，半年破 2 万星
| 项目属性 | 详情 |
|---|---|
| 仓库地址 | github.com/AIDC-AI/Pixelle-Video |
| 所属组织 | AIDC-AI（阿里达摩院孵化的 AI 团队） |
| Slogan | AI 全自动短视频引擎 |
| 开源协议 | Apache License 2.0（可商用、需保留版权） |
| 项目语言 | Python（≥ 3.11） |
| 首次提交 | 2025-11-07 |
| 最新版本 | v0.1.15（2026-01-27） |
| Stars / Forks | 21,751 / 3,060（增长速度极快，半年破 2 万星） |
| 主要标签 | aigc、comfyui、image-generation、tts、video-generation |
| 官方文档 | aidc-ai.github.io/Pixelle-Video/zh |
| 视频教程 | B 站 BV1WzyGBnEVp |
一句话定义：你只需要给它一个主题关键词，它就能自动完成"写文案 → 配图/视频 → 配音 → 配 BGM → 合成视频"整条流水线，把一段短视频像印钞一样批量产出来。
二、它到底能干什么？
2.1 核心能力：输入一句话，输出一条视频
按官方 README 的标准流程，整个自动化流水线是这样跑的：
输入主题（比如"为什么要养成阅读习惯"）
↓
AI 自动撰写视频文案（多段解说词）
↓
为每句文案匹配 AI 配图（或 AI 视频片段）
↓
用 TTS 把文案合成语音解说
↓
添加背景音乐
↓
套上视频模板（字幕、动效、画面布局）
↓
一键合成最终短视频整个过程你只需要在 Web 界面里输入主题、点一下按钮。
2.2 能力清单（来自官方 README 的"功能亮点"）
- ✅ 全自动生成：输入主题，几分钟出一条完整视频
- ✅ AI 智能文案：自动写脚本
- ✅ AI 生成配图：支持 FLUX、Qwen、SD3.5、SDXL、Z-Image、Nano Banana 等多种图像模型
- ✅ AI 生成视频：支持 WAN 2.1、WAN 2.2、LTX2、Seedance、HappyHorse 等视频模型
- ✅ 直连模型 API：不用本地跑 ComfyUI，直接调用 DashScope、OpenAI、ARK、Kling 等
- ✅ AI 生成语音：支持 Edge-TTS、Index-TTS（支持声音克隆）、Spark-TTS
- ✅ 背景音乐：内置 BGM 库，支持自定义
- ✅ 视觉风格：20+ 预设模板（抖音风、电影风、治愈系、卡通、复古等）
- ✅ 灵活尺寸：竖屏 1080×1920（抖音/小红书）、横屏 1920×1080（B 站/YouTube）、方形 1080×1080（朋友圈）
- ✅ 多 LLM 切换：Qwen、GPT-4o、Claude Sonnet 4.5、DeepSeek、Ollama、Moonshot
- ✅ 原子能力灵活组合：图像、视频、TTS、VLM 都可以单独替换
2.3 进阶模块（2026 年 Q1 上线）
- 👤 数字人口播：让 AI 数字人讲解内容（已支持韩语等多语言）
- 🖼️ 图生视频：上传一张图片，让它动起来
- 💃 动作迁移：上传参考视频和图片，让图片里的人物"复制"参考视频的动作（跳舞的小猫就是典型案例）
- 🎨 自定义素材：上传自己的照片/视频，AI 智能分析生成脚本
2.4 它解决了什么商业问题？
| 痛点 | Pixelle-Video 的解法 |
|---|---|
| 短视频日更压力大 | 输入主题就出片，产能放大 10 倍 |
| 不会写脚本 | 6 个主流 LLM 随选，AI 自动写 |
| 不会用 PR/AE | Web 界面点点点就行 |
| 配音贵/不自然 | 内置 Edge-TTS 免费 + Index-TTS 可声音克隆 |
| 模板风格单一 | 20+ 模板，覆盖各垂类 |
| 担心被云服务绑定 | 全栈开源、Apache 2.0、可商用、可私有部署 |
一句话总结：它把"短视频生产"从"手艺活"变成了"流水线"，是 AIGC 时代的内容生产工具。
三、适合谁用？6 类典型用户
官方没有明确列"目标用户"，但从功能矩阵、模板分类、文档教程反推，最适合以下 6 类人：
3.1 自媒体短视频创作者
知识科普、情感语录、励志鸡汤、书单号、历史解说等"口播+配图"型账号。官方 README 展示的 9 个案例视频中 6 个是这种类型。
3.2 MCN 机构 / 内容工作室
需要日更多条视频、把单条视频成本从几十块压到几分钱。同一主题可以批量生成多个变体。
3.3 电商运营
商品讲解视频自动生成（"养生知识"、"健康饮食"模板已展示）。跨境电商的多语言视频（数字人口播支持多语言）。
3.4 教育/培训行业
课程视频、知识点科普（"科学思辨"、"个人成长"模板）。企业内训视频批量制作。
3.5 个人开发者 / AI 工具爱好者
二次开发：在 Pixelle-Video 基础上做定制。研究：背后是 SIGGRAPH Asia 学术项目（FilmAgent、Anim-Director、AniMaker）。
3.6 不想被国外 SaaS 绑架、又想要 AIGC 能力的团队
全栈开源 + Apache 2.0 = 可商用、可私有化、可二开。
3.7 不适合谁？
- 需要电影级专业剪辑的（Pr/AE 仍是首选）
- 需要实时直播数字人（它是离线生成，不是实时驱动）
- 完全没有显卡也不愿付费云端 API 的（虽然有完全免费方案，但 Ollama 本地推理需要算力）
四、和相似项目怎么比？
官方 README 明确列出了 5 个参考/启发项目，我把它们和 Pixelle-Video 做一张对比表（信息全部来自各项目官方仓库和 Pixelle-Video 官方说明）：
| 项目 | 主要定位 | 与 Pixelle-Video 的差异 |
|---|---|---|
| Pixelle-MCP（AIDC-AI 自家） | ComfyUI 的 MCP 服务器，让 AI 助手直接调用 ComfyUI | 基础设施层；Pixelle-Video 是它的"上层应用" |
| MoneyPrinterTurbo（harry0703） | 较早一批的 AI 视频生成工具 | 功能较单一，扩展性弱；Pixelle-Video 基于 ComfyUI 架构，可替换任何环节 |
| NarratoAI（linyqh） | 影视解说自动化工具 | 专注解说垂类；Pixelle-Video 是通用平台，覆盖更广 |
| MoneyPrinterPlus（ddean2009） | 视频创作平台 | 综合工具；Pixelle-Video 把所有"原子能力"（LLM/图像/视频/TTS）模块化 |
| ComfyKit（puke3615） | ComfyUI 工作流封装库 | 底层依赖库；Pixelle-Video 直接使用 ComfyKit 作为 ComfyUI 调度器 |
官方原文："Pixelle-Video 的设计受到以下优秀开源项目的启发"，并致谢这些项目。
4.1 Pixelle-Video 的差异化优势
- 架构更现代：基于 ComfyUI 的"工作流"机制，可以精确控制每一步的模型/参数，不像早期项目是"黑盒串联"
- 原子化设计：LLM / TTS / 图像 / 视频 / VLM 五大能力完全可替换，技术债最低
- 三种部署路径：本地 ComfyUI / 云端 RunningHub / 直连 API（OpenAI/DashScope/Kling/ARK），灵活度最高
- 学术背书：背后是 AIDC-AI 团队 SIGGRAPH Asia 2024/2025 的系列论文（FilmAgent、Anim-Director、AniMaker），不是临时攒的项目
- 可商用：Apache 2.0，不像部分项目是 AGPL/MIT 限制
五、怎么部署？三种方式 + 资源清单
5.1 方式 A：Windows 一键整合包（最省事）
适合：Windows 用户、想 5 分钟跑起来
- 到 releases/latest 下载最新整合包（v0.1.15 的 zip 是 380 MB）
- 解压到任意目录
- 双击
start.bat - 浏览器自动打开 http://localhost:8501
- 在"⚙️ 系统配置"里填 API Key，开始生成
零依赖：Python、uv、ffmpeg 都打包在内。
5.2 方式 B：源码安装（macOS / Linux）
适合：开发者、想自定义
前置环境：
- Python ≥ 3.11（pyproject.toml 中
requires-python = ">=3.11"，注意 installation.md 写的是 3.10+） - ffmpeg（macOS 用
brew install ffmpeg，Ubuntu 用sudo apt install ffmpeg） - uv（包管理器）：
curl -LsSf https://astral.sh/uv/install.sh | sh
步骤：
git clone https://github.com/AIDC-AI/Pixelle-Video.git
cd Pixelle-Video
uv sync # 自动装依赖
uv run streamlit run web/app.py # 启动 Web（端口 8501）5.3 方式 C：Docker 部署（生产环境推荐）
适合：服务器部署、长期运行
前置：Docker + Docker Compose
git clone https://github.com/AIDC-AI/Pixelle-Video.git
cd Pixelle-Video
# 国内环境用清华镜像加速构建
USE_CN_MIRROR=true docker-compose up -d启动后有两个服务：
- API 服务：FastAPI，端口 8000（
/health端点做健康检查） - Web UI：Streamlit，端口 8501
docker-compose.yml 已经做好：
- 配置自动初始化（
init服务从config.example.yaml复制出config.yaml） - 数据持久化（
./data、./output挂载到容器） - 健康检查 + 自动重启
- 时区设置
Asia/Shanghai
5.4 系统资源要求
| 资源 | 最低 | 推荐 |
|---|---|---|
| 操作系统 | Windows 10 / macOS 11 / Ubuntu 20.04 | 较新系统 |
| Python | 3.11 | 3.11+ |
| 内存 | 4 GB | 8 GB+ |
| 硬盘 | 5 GB（不含模型） | 20 GB+（含 ComfyUI 模型） |
| GPU | 可选 | NVIDIA 6GB+ 显存（仅本地 ComfyUI 需要） |
| 网络 | 稳定 | 稳定（云端 API 需要） |
六、怎么配置？
配置文件路径：config.yaml（从 config.example.yaml 复制）。下面是配置结构的中文解读，全部内容来自官方配置示例：
6.1 LLM 配置（必填）
写视频文案用的大模型。支持任何兼容 OpenAI SDK 协议的 API。
官方预设了 6 个（来自 pixelle_video/llm_presets.py）：
| 名称 | base_url | model | 备注 |
|---|---|---|---|
| Qwen（推荐） | https://dashscope.aliyuncs.com/compatible-mode/v1 | qwen-max | 国内性价比高 |
| OpenAI | https://api.openai.com/v1 | gpt-4o | 需科学上网 |
| Claude | https://api.anthropic.com/v1/ | claude-sonnet-4-5 | 需科学上网 |
| DeepSeek | https://api.deepseek.com | deepseek-chat | 国内便宜 |
| Ollama | http://localhost:11434/v1 | llama3.2 | 本地免费 |
| Moonshot（月之暗面） | https://api.moonshot.cn/v1 | moonshot-v1-8k | 长文本 |
Web 界面的下拉菜单可以直接选预设，会自动填 base_url 和 model，你只需要填 api_key。
6.2 媒体生成配置（二选一）
两条路径：
路径 A：ComfyUI（工作流派）
- 适合：想精细控制、可本地部署
- 需要：本地起 ComfyUI 服务（默认端口 8188），或注册 RunningHub 云端账号
- RunningHub 还支持 24GB / 48GB 显存机器切换、并发限制（1-10）
路径 B：直连 API（最省事）
官方配置示例里直接列了 4 家供应商：
| 供应商 | 用途 | 默认 base_url |
|---|---|---|
| OpenAI | GPT Image 系列 | https://api.openai.com/v1 |
| DashScope | 通义万象 Wan 视频、HappyHorse 视频、Qwen 图像 | https://dashscope.aliyuncs.com/api/v1 |
| Volcengine ARK | 字节 Seedream 图像、Seedance 视频 | https://ark.cn-beijing.volces.com/api/v3 |
| Kling | 可灵视频生成 | https://api-beijing.klingai.com |
每个供应商支持：
api_key/access_key+secret_key（Kling 用了双密钥）base_url（可指向自部署代理）use_proxy开关（单个供应商可以独立走本地代理）local_proxy（如http://127.0.0.1:9090）
6.3 模板配置
默认视频模板：
template:
default_template: "1080x1920/image_default.html"模板分三类（按命名前缀）：
static_*.html：纯文字样式，无 AI 媒体（最便宜、最快）image_*.html：用 AI 配图做背景video_*.html：用 AI 视频做背景（效果最好，最贵）
6.4 进阶：自定义 ComfyUI 工作流
按 docs/zh/user-guide/workflows.md 文档规范：
- 在 ComfyUI 中设计好工作流
- 找到要动态传提示词的 Text 节点（CLIP Text Encode），把节点标题改成
$prompt.text!或$prompt.value! - 导出为 API 格式（Save → API Format）
- 放进
workflows/目录，命名遵守前缀：image_*.json：图像video_*.json：视频tts_*.json：语音
- Web 界面下拉菜单会自动出现这个新工作流
七、怎么用？完整流程
7.1 启动 → 创作的标准路径
Step 1：启动
- Windows：双击
start.bat - 源码：
uv run streamlit run web/app.py - Docker：
docker-compose up -d
浏览器自动打开 http://localhost:8501。
Step 2：首次配置（侧边栏"⚙️ 系统配置"）
- LLM：选预设、填 API Key
- 媒体生成：填 ComfyUI URL 或 RunningHub Key / 选直连 API 供应商
Step 3：输入主题（左侧栏）
两种模式：
- AI 生成内容：输入主题（"为什么要养成阅读习惯"），AI 自动写脚本
- 固定文案内容：直接粘贴写好的文案，可选按段落/行/句子自动分镜
Step 4：选语音 + 视觉（中间栏）
| 设置项 | 选项 |
|---|---|
| TTS 工作流 | Edge-TTS（默认免费）/ Index-TTS（支持声音克隆）/ Spark-TTS |
| 参考音频 | 上传 MP3/WAV/FLAC 即可克隆声线 |
| 图像/视频工作流 | FLUX / Qwen / SD3.5 / Z-Image / Nano Banana / WAN 2.1 等 |
| 图像尺寸 | 默认 1024×1024（可改） |
| Prompt Prefix | 控制画风，如"极简黑白火柴人风格" |
| 视频模板 | 按尺寸分组的下拉菜单，可视化预览 |
Step 5：生成视频（右侧栏）
点「🎬 生成视频」按钮，实时显示：
文案生成 → 分镜 1/N 生成插图 → ... → 合成语音 → 合成视频5 个分镜的视频大约 2-5 分钟（官方数据）。
Step 6：预览 + 下载
生成完成自动在右侧播放，显示时长、文件大小、分镜数。视频保存在 output/ 目录。
7.2 进阶用法
1. 自定义视觉风格
文档：docs/zh/tutorials/custom-style.md
- 调整
prompt_prefix（英文），让所有配图保持统一风格
2. 声音克隆
文档：docs/zh/tutorials/voice-cloning.md
- 选支持声音克隆的 TTS 工作流（如
tts_index2.json） - 上传参考音频（建议 10-30 秒清晰人声）
- 输入测试文本点"预览语音"即可
3. 自定义模板
文档：docs/zh/user-guide/templates.md
- 复制
templates/1080x1920/下任一 HTML - 改 HTML/CSS，可用的 Jinja2 变量：
{{ title }}、{{ text }}、{{ image }} - 保存后 Web 界面下拉菜单自动出现
4. Python API 集成
文档：docs/zh/user-guide/api.md、FastAPI 服务在 8000 端口
from pixelle_video.service import PixelleVideoCore
import asyncio
async def main():
pixelle = PixelleVideoCore()
await pixelle.initialize()
result = await pixelle.generate_video(
text="为什么要养成阅读习惯",
mode="generate",
n_scenes=5
)
print(f"视频已生成: {result.video_path}")
asyncio.run(main())八、典型应用场景
来自官方示例视频：
| 场景 | 模板类型 | 适合的 LLM | 成本 |
|---|---|---|---|
| 人文纪实 / 旅行 | image_default（竖屏） | Qwen | 低 |
| 文化解构 / 科普 | image_default | Qwen / GPT-4o | 低 |
| 个人成长 / 鸡汤 | image_elegant + 克隆音色 | DeepSeek | 极低 |
| 历史解说 | 自定义模板 | Qwen | 中 |
| 知识科普 | image_qwen 生图 | Qwen | 中 |
| 小说解说 | 自创脚本 | Qwen Max | 中 |
| 副业赚钱 | image_film（横屏） | GPT-4o | 中 |
| 数字人口播 | video_default | Qwen + DashScope Wan | 较高 |
| 图生视频 | video_* 模板 | Seedance / Kling | 高 |
| 动作迁移 | 自定义 | 需上传素材 | 高 |
九、背后团队 & 学术背景
AIDC-AI 团队背后是阿里达摩院系列研究。官方 README 列出了 4 篇顶会论文作为"系列工作"：
- SIGGRAPH Asia 2024：FilmAgent: A Multi-Agent Collaborative Framework（多 Agent 协同自动拍电影）
- SIGGRAPH Asia 2024：Anim-Director: A Large Multimodal Model Powered Agent for Controllable Animation（可控动画）
- ACL 2025：ComfyUI-Copilot: An Intelligent Assistant for Automated Workflow Development（ComfyUI 智能助手）
- SIGGRAPH Asia 2025：AniMaker: Multi-Agent Animated Storytelling with MCTS-Driven Clip Generation（MCTS 驱动动画）
含义：这不是临时拼凑的项目，而是有学术研究 → 工程化落地的完整链路。学术质量背书 + 工业级工程化，二者兼具。
十、费用与限制
10.1 官方明确的费用方案
| 方案 | LLM | 图像/视频 | 单条 3 段视频成本 |
|---|---|---|---|
| 完全免费 | Ollama（本地） | 本地 ComfyUI | 0 元（需要 6GB+ 显存的 NVIDIA 显卡） |
| 推荐方案 | Qwen Max | 本地 ComfyUI | 约 0.01-0.05 元（官方数据） |
| 云端方案 | OpenAI | RunningHub 云端 | 较高（按 token + 算力计费） |
10.2 已知限制（来自官方 FAQ）
- Edge-TTS 不稳定：默认的 TTS 是调用微软免费接口，可能受网络影响；建议改用 ComfyUI 工作流（
tts_*.json） - 生成速度：5 分镜视频 2-5 分钟，主要瓶颈是图像/视频生成
- 磁盘占用：默认视频素材保存在
output/，需定期清理 - 依赖 Chrome 内核：部分功能（Playwright）需要安装 Google Chrome
- Windows 整合包 vs 源码：整合包已包含所有依赖（380 MB），源码安装需要自己配 Python 3.11 / ffmpeg / uv
十一、给想用的人的建议
- 对短视频/内容电商，这是 2026 年最值得关注的开源项目之一。半年涨到 2 万多星不是偶然。
- 零成本试用：Mac 装 Ollama（
brew install ollama）+ 下载源码，跑起来 30 分钟内可以见到效果。 - 生产化建议：Qwen + ComfyUI 本地 + Index-TTS（声音克隆）= 性价比最高的"日更 10 条短视频"工厂。
- 看团队能力选择：如果只做抖音/小红书口播号，Pixelle-Video 比 MoneyPrinterTurbo 强一代；如果要做电影级长视频，还得用 Pr/AE。
- 适合的延伸场景：商品讲解视频、客户案例视频、抖音种草短视频都可以半自动生产。