输入一个关键词，AI 拍完整条短视频——项目开源，整合包一键运行

Pixelle-Video，定位是"AI 全自动短视频引擎"，上线没多久就拿下 2 万多 Star，Fork 数也突破了 3.5K。我去翻了完整的 README，发现这东西比我想象的强得多——不只是"能用"，而是已经做到了相当完整的产品体验。

它到底在做什么？

一句话：你输入一个主题，它帮你全自动出一条完整的短视频。

不是"辅助创作"，不是"给你素材"，是真正的端到端全自动：

• AI 写脚本

• AI 生成每一帧配图（或配视频）

• AI 合成配音

• 自动加背景音乐

• 自动剪辑合成，输出成片

全程你不需要会剪辑，不需要自己找素材，甚至不需要写一个字的文案。官方展示案例里，输入"为什么我们还没发现外星文明"，出来的是一条带解说词、配图、BGM 的完整科普短视频。

生成流程是怎么跑的？

项目采用模块化流水线设计，四个步骤清清楚楚：

脚本生成 → 配图规划 → 逐帧处理 → 视频合成

每个步骤都是独立模块，可以单独替换。这个设计很聪明——意味着你不满意某一环节，可以单独调换，不影响其他部分。

功能有多全？细说一下

大模型支持全家桶

脚本生成这一步，支持 GPT、Qwen、DeepSeek、Ollama（本地部署）等主流模型，基本覆盖了市面上能用的 LLM。

图像与视频生成

这里是这个项目的亮点之一：它不只是生成静态图片，还支持：

• AI 生成图片

  ：接 ComfyUI 工作流（比如 FLUX 模型），或者直连 DashScope / 可灵 / ARK 等 API

• AI 生成视频

  ：支持 WAN 2.1 等动态视频生成模型，真正把"动态视频帧"打进流程

• 图生视频

  ：上传一张图，AI 让它动起来

• 动作迁移（Motion Transfer）

  ：上传参考视频 + 一张图片，AI 把动作迁移到图片角色上——这个功能是 2026 年 1 月刚加的，让我想到了之前刷屏的各种换脸/驱动视频玩法

语音合成

支持 Edge-TTS（免费）、Index-TTS 等多种 TTS 方案，还有一个让人惊喜的功能：声音克隆。上传一段参考音频，它就能用这个声音读脚本。做 IP 号的朋友，这个功能值得重点关注。

另外还支持多语言 TTS，官方案例里甚至有一条韩语 AI 数字人说话的视频。

AI 数字人

对，这个也有了。2026 年 1 月加入，可以生成一个会开口说话的 AI 数字人出境视频，省去了真人出镜的成本。

视频模板系统

提供三类模板：

• static.html：纯文字样式，无 AI 生成媒体

• image.html：以 AI 图片为背景

• video.html：以 AI 视频为背景

模板本身是 HTML 文件，熟悉前端的可以直接改样式、改布局，做出自己的专属风格。

视频比例

竖屏（9:16）、横屏（16:9）都支持，甚至还支持方形，覆盖抖音、B 站、YouTube、小红书等不同平台需求。

真实案例长啥样？

官方 README 里列了很多生成案例，覆盖了不同主题和风格：

• 旅途风光

  — 纪录片风格配解说

• 文化解构

  — 比如"圣诞老人的真实身份"

• 科学探索

  — "为什么我们还没发现外星文明"

• 个人成长

  — 用声音克隆功能配音

• 深度思考

  — 《反脆弱》解读

• 历史文化

  — 《资治通鉴》内容

• 副业赚钱

  — 横屏电影感模板

• 知识科普

  — 用通义千问生成图片

这些视频全部是"输入一个关键词，AI 全自动生成"，没有任何人工剪辑参与。

上手有多难？Windows 用户看这里

项目提供了Windows 整合包，这是亮点——下载、解压、双击 start.bat，浏览器自动打开 localhost:8501，配置好 API Key 就能跑。

不需要安装 Python，不需要配 ffmpeg，不需要碰命令行。

Mac / Linux 用户走源码安装，三步到位：

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

安装好 uv 和 ffmpeg 之后，就这么简单。

界面怎么用？

打开后是三栏布局：

左栏——内容输入：可以选"AI 自动生成脚本"（给主题关键词）或"固定脚本"（你自己提前写好文案）。BGM 这里也有设置，支持选内置音乐或放自己的文件。

中栏——语音 + 视觉设置：选 TTS 工作流、上传声音克隆参考音、选图像生成工作流、调图片尺寸、写风格提示词（Prompt 前缀）、选视频模板……这一栏参数最多，也是能出差异化效果的核心。

右栏——生成视频：点击按钮，实时看进度："第 3/5 帧 - 正在生成图片"这样的状态。生成完自动播放预览，文件存到 output/ 文件夹。

费用问题：可以做到完全免费

这是我觉得项目很有诚意的地方，官方直接给了三种方案：

有本地 GPU 的直接走免费方案，没有 GPU 又想省事的，官方推荐用通义千问 + RunningHub，性价比最高。

它背后是谁做的？

来自AIDC-AI（阿里国际数字商业 AI 团队），是阿里巴巴旗下的一个 AI 研究团队。这个团队在 GitHub 上还有几个关联项目——Pixelle-MCP（ComfyUI + MCP 协议）、Pixelle-Studio（零代码 AI 文件处理）。

值得一提的是，项目的学术背景也很扎实——README 里挂着三篇相关论文，分别发表在 SIGGRAPH Asia 2024、ACL 2025、SIGGRAPH Asia 2025，都是顶级学术会议。这不是一个纯玩具项目，背后有系统性的研究积累。

有哪些不足？

说几句实话：

GitHub Issues 里有不少用户反馈配置问题，比如 RunningHub 和本地 ComfyUI 的配置界面提示有些混淆，工作流文件路径有时报错。这些都是年轻项目正常会遇到的磨合问题，团队响应也在跟进。

另外，要发挥完整能力，还是需要自己去准备 API Key（LLM 服务 + 图像服务），以及了解基本的 ComfyUI 概念。如果你是完全不懂技术的小白，第一次上手可能需要折腾半天。

适合谁？

• 批量做选题内容的自媒体账号

  ：知识科普、历史解读、观点解说……这类内容高度适合自动化，Pixelle-Video 能把选题到成片的时间压缩到几分钟

• 想做 AI 数字人出镜的 IP 号

  ：结合声音克隆 + 数字人功能，可以做到不出镜也有"主播感"

• 开发者和研究者

  ：全链路代码开源（Apache-2.0），每个模块独立可替换，是研究"自动化视频管线"的极佳起点

• 想私有化部署、掌控数据的团队

  ：不依赖任何商业闭源工具，可以完全本地化运行

最后

内容创作的技术门槛正在以非常快的速度降低。

去年你还需要会用剪映、会写文案；今年，AI 帮你做文案和配图；现在，AI 连剪辑合成都包了。

Pixelle-Video 不是终点，但它是一个清晰的信号："从想法到成品"这件事，正在变得和发一条微信消息一样容易。

更多transformer，VIT，swin tranformer 参考头条号：人工智能研究所 v号：人工智能研究Suo, 启示AI科技

动画详解transformer 在线视频教程