Pixelle-Video 快速上手指南：只输入一个主题，5 分钟生成完整 AI 短视频-开发者社区

Pixelle-Video 快速上手指南：只输入一个主题，5 分钟生成完整 AI 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，它会自动完成文案撰写、AI 配图、语音合成、背景音乐和最终视频合成，全程不需要剪辑软件。适合想批量生产口播、科普、书单类短视频，但没有剪辑经验的个人创作者和小团队，也适合想接入 API 做自动化内容流水线的开发者。

5 分钟跑通：安装、配置、启动

启动前只需准备两个依赖：Python 包管理器uv和视频处理工具ffmpeg（macOS 用brew install ffmpeg，Ubuntu 用sudo apt install ffmpeg）。

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。Windows 用户可以直接下载 Releases 里的一键整合包，解压后双击start.bat即可，无需安装 Python 和 ffmpeg。

首次使用要展开「⚙️ 系统配置」面板，填三组信息：

LLM 配置：选预设（通义千问、GPT-4o、DeepSeek、Ollama 本地模型）会自动填充base_url和model，再填 API Key
ComfyUI / RunningHub 配置：本地部署填 ComfyUI 地址（默认http://127.0.0.1:8188），云端则填 RunningHub API Key
API 媒体模型配置：不依赖 ComfyUI 时，直连 OpenAI、DashScope、火山 ARK（Seedream/Seedance）、可灵等供应商的图像/视频服务

配置也可写在 config.example.yaml（复制为config.yaml填写）。保存后即可开始生成。

跟着走一遍核心流程：从「主题」到成片

整条流水线是「文案生成 → 配图规划 → 逐帧处理 → 视频合成」，以生成一个主题为「为什么要养成阅读习惯」的视频为例：

内容输入（左侧栏）：选「AI 生成内容」模式，输入主题，默认生成 5 个分镜，数量可调
语音设置（中间栏）：TTS 工作流默认 Edge-TTS 即可，无需任何配置
视觉设置（中间栏）：图像工作流默认image_flux.json，图像尺寸默认 1024x1024，视频模板选1080x1920/image_default.html（竖屏）
点「🎬 生成视频」：右侧栏实时显示进度（如「分镜 3/5 - 生成插图」），5 分镜视频通常 2-5 分钟出片
预览与导出：成片自动播放，并显示时长、文件大小、分镜数；视频文件保存在output/文件夹

如果对文案不满意，可以改用「固定文案内容」模式直接粘贴自己的稿子，跳过 AI 创作环节；固定脚本支持按段落、行、句子三种方式分割成分镜。

核心能力拆解

文案生成：两种模式

AI 生成内容：LLM 根据主题写完整解说词，支持所有 OpenAI 兼容接口的模型。换不同模型，文案风格会有明显差异
固定文案内容：跳过创作，直接用自己的稿子，适合已有成熟脚本的账号

图像与视频生成：工作流 + 直连 API 双通道

原子能力可以按需替换。图像生成走 ComfyUI 工作流（workflows/ 下分runninghub/云端和selfhost/本地两套）或api/...直连供应商两种方式，内置 Flux、SDXL、Qwen、Seedream 等方案；视频生成内置 Wan 2.1/2.2 工作流（如video_wan2.1_fusionx.json），也支持直连 DashScope、可灵、Seedance。图像风格靠「提示词前缀」控制（英文描述，如Minimalist black-and-white matchstick figure style illustration），点「预览风格」可先试一张图再全量生成。

语音合成：Edge-TTS 起步，支持克隆音色

TTS 工作流自动扫描 workflows/ 目录，内置 Edge-TTS（免费、无需部署）和 Index-TTS 等。选中支持克隆的工作流后，上传一段 MP3/WAV 参考音频，上传后可直接试听预览，再做最终合成。多语言 TTS 音色开箱可用。

模板系统：30 个内置模板，按尺寸分组

模板用 HTML 定义画面，位于 templates/ 目录，按前缀区分三类：

前缀	是否消耗 AI 算力	适用场景
`static_*.html`	否，纯文字渲染	金句卡、公告，生成极快
`image_*.html`	每分镜生成 1 张图	图文口播、书单、科普
`video_*.html`	每分镜生成 1 段视频	动态画面，表现力最强

数量上：竖屏 1080x1920 有 24 个模板（抖音、快手、小红书），横屏 1920x1080 有 5 个（B 站、YouTube），方形 1080x1080 有 1 个。模板支持{{ title }}、{{ text }}、{{ image }}三个 Jinja2 变量，会一点 HTML 就能复制现有模板改出自己的样式。背景音乐把 MP3/WAV 丢进bgm/文件夹即可被选中，支持试听。

进阶玩法

数字人口播：生成虚拟人物讲解视频，支持多语言（项目演示中有韩语数字人案例），适合课程推广
动作迁移：上传参考视频和图片，把参考视频中的动作迁移到新角色上（如跳舞小猫案例）
图生视频：选video_*模板或动态工作流，用 Wan 2.1 等模型把静态画面变成动态片段
自定义素材：上传自己的照片和视频，AI 智能分析素材后生成匹配脚本，API 视频片段会尽量按旁白时长对齐
批量与历史：侧边栏历史记录页支持批量创建视频任务，RunningHub 并发数可在runninghub_concurrent_limit里调到 1-10
REST API：api/ 目录下提供完整的 FastAPI 服务（api/app.py），涵盖内容、图像、TTS、视频、任务等路由，方便第三方系统集成
Docker 部署：仓库提供 Dockerfile 和 docker-compose.yml

常见问题（FAQ）

Q：必须要部署 ComfyUI 吗？不一定。纯文字模板（static_*）完全不需要；要 AI 配图但不想本地部署，可用 RunningHub 云端或直连 API 供应商；本地有显卡才建议自托管 ComfyUI。

Q：跑一次要花多少钱？有三档方案：Ollama（本地 LLM）+ 本地 ComfyUI = 0 元；通义千问 + 本地 ComfyUI 约 0.01-0.05 元/视频，性价比最高；OpenAI + RunningHub 全云端最省事但费用最高。

Q：生成慢、卡在哪一步？看右侧进度条定位：文案慢多半是 LLM 响应，配图慢看图像工作流的网络和算力，合成阶段检查本机 ffmpeg 是否正常。5 分镜参考耗时 2-5 分钟。

Q：ComfyUI 连接失败怎么办？先确认本地 ComfyUI 服务已启动，再核对 URL（默认http://127.0.0.1:8188；Docker 环境下 Mac/Windows 要用host.docker.internal:8188），最后在 Web 界面点「测试连接」验证。

Q：成片效果不满意怎么调？按顺序试：换 LLM 模型改文案风格 → 改提示词前缀和图像尺寸换配图 → 换 TTS 工作流或传参考音频换声音 → 换模板和画幅。四个环节互相独立，改哪个都不影响其他设置。