短视频制作的终极痛点
做一条短视频，你要经历什么？
写脚本 → 找素材 → 配音 → 剪辑 → 配BGM → 调色 → 加字幕 → 导出
每一步都是时间黑洞。一条3分钟的视频，从构思到发布，少说2-4小时。对于自媒体运营者来说，日更就是噩梦。
但如果我说，整个过程只需要输入一句话呢？
Pixelle-Video：阿里AIDC团队的开源答案
2025年11月，AIDC-AI团队开源了 Pixelle-Video——一款端到端的AI全自动短视频引擎。截至2026年4月，已更新至v0.1.0正式版，GitHub 2.7K+ Star，444 Fork，Apache 2.0协议，完全免费可商用。
核心定位六个字：零门槛、全自动、高灵活。
一句话输入 → AI写文案 → AI生成配图 → AI配音 → 自动剪辑合成 → 输出成品视频
不是半自动，是全自动。你甚至不用打开剪辑软件。
四大核心能力拆解
第一，AI文案生成
支持GPT、通义千问、DeepSeek等主流模型，自动生成视频脚本。
你只需要输入一个主题，比如"为什么要养成阅读习惯"，AI自动创作分镜文案——每句话对应一帧画面。
更妙的是，如果你已经有现成文案，可以跳过AI创作直接使用。
第二，AI画面生成
每一句文案对应一张画面。底层接入 ComfyUI，这是目前最强大的AI图像工作流引擎：
- 本地部署：连接本地ComfyUI服务（默认 http://127.0.0.1:8188）
- 云端部署：使用RunningHub API，无需本地显卡
- 自定义工作流：支持放入自己的ComfyUI工作流到workflows/文件夹
图像尺寸可调（默认1024x1024），提示词前缀控制画面风格。比如输入"Minimalist black-and-white matchstick figure style illustration"就能得到极简火柴人风格。
第三，AI配音系统
支持多种TTS引擎：
- Edge-TTS：微软免费TTS，质量不错，零成本
- Index-TTS：支持声音克隆——上传一段参考音频，AI模仿那个声音朗读
- 自定义TTS工作流：ComfyUI工作流文件夹中放入自己的TTS工作流
上传参考音频后可以直接试听预览，确认效果满意再生成。
第四，自动视频合成
这是最关键的一步——所有素材自动合成：
- 自动卡点：语音和画面精准对齐
- 自动加字幕：根据文案生成字幕轨道
- BGM叠加：内置背景音乐，或自定义MP3/WAV
- 模板系统：竖屏（抖音/视频号）、横屏（B站/YouTube）、方形（小红书）
模板命名规范清晰：
static_*.html— 纯文字模板（无需AI媒体）image_*.html— 图片背景模板video_*.html— 视频背景模板
懂HTML的话，可以在templates/文件夹创建自己的模板。
技术架构：ComfyUI模块化设计
Pixelle-Video不是单体应用，而是基于 ComfyUI工作流 的模块化引擎。
每个功能（文案、配图、配音、合成）都是独立的工作流节点。这意味着：
- 每个环节可替换：不喜欢默认的图像模型？换一个ComfyUI工作流就行
- 每个环节可定制：声音克隆、风格迁移、特殊效果，全靠工作流定义
- 社区共享：ComfyUI生态有海量开源工作流可供借鉴
这种设计让Pixelle-Video不是"一个工具"，而是"一个工具平台"。
安装：三步上手
最简方案：Windows一键整合包
- 下载最新Windows整合包（GitHub Releases）
- 双击
start.bat - 浏览器自动打开
http://localhost:8501
无需安装Python、uv、ffmpeg，开箱即用。 首次使用只需在Web界面配置API密钥。
开发者方案：从源码安装
# 安装 uv（Python包管理器）
# 参见 https://docs.astral.sh/uv/getting-started/installation/
# 安装 ffmpeg
# macOS: brew install ffmpeg
# Ubuntu: sudo apt install ffmpeg
# 克隆并运行
git clone https://github.com/AIDC-AI/Pixelle-Video.git
cd Pixelle-Video
uv run streamlit run web/app.py
浏览器自动打开 http://localhost:8501，在"系统配置"面板填写LLM和图像服务即可。
费用：可以完全免费
| 方案 | LLM | 图像生成 | 总成本 |
|---|---|---|---|
| 完全免费 | Ollama本地运行 | ComfyUI本地部署 | 0元 |
| 推荐 | 通义千问（极低成本） | ComfyUI本地部署 | 几毛钱/条 |
| 云端 | OpenAI GPT | RunningHub | 较高但无需本地环境 |
有显卡选免费方案，没显卡选通义千问方案。
Web界面：三栏布局一目了然
打开Web界面后，你会看到清晰的三栏布局：
左栏：系统配置
- LLM配置：预设模型下拉菜单，一键填充base_url和model
- 图像配置：ComfyUI本地或RunningHub云端
- 保存配置后一键生效
中栏：内容输入
- AI生成内容：输入主题，AI自动写稿
- 固定文案内容：已有文案直接粘贴
- BGM选择：无BGM / 内置音乐 / 自定义音乐
- TTS选择：Edge-TTS / Index-TTS / 自定义工作流
- 参考音频上传：用于声音克隆
右栏：视频输出
- 实时进度显示："分镜3/5 - 生成插图"
- 生成完成自动播放预览
- 显示视频时长、文件大小、分镜数
- 视频文件保存在output/文件夹
实际体验：效果如何？
以"为什么要养成阅读习惯"为例：
- 输入主题，点击生成
- AI花10-20秒生成5段分镜文案
- 每段文案对应生成一张配图（ComfyUI推理，约15-30秒/张）
- TTS生成旁白（Edge-TTS约5秒/段）
- 自动合成视频（约30秒）
总耗时约3-5分钟，一条带配图、配音、字幕、BGM的短视频就出来了。
效果评价：
- 文案质量取决于LLM模型，通义千问和DeepSeek中文表现优秀
- 配图质量取决于ComfyUI工作流和模型，Flux模型效果最好
- 配音自然度：Edge-TTS够用，Index-TTS声音克隆更惊艳
- 视频合成：卡点精准，字幕同步良好
对行业的冲击
Pixelle-Video真正改变的，不是技术，而是内容生产的底层逻辑：
| 过去 | 现在 |
|---|---|
| 会剪辑是技能 | 会写一句话就能做视频 |
| 技术驱动 | 认知驱动 |
| 信息搬运型创作者有价值 | 原创认知才是壁垒 |
| 视频制作2-4小时 | 视频生成3-5分钟 |
被淘汰的不是剪辑工具，而是"信息搬运型创作者"。
但也要清醒认识到：AI生成的视频在视觉冲击力和情感表达上，暂时还无法替代精心制作的内容。Pixelle-Video最适合的场景是知识科普、观点表达、内容速产，而非影视级创作。
与同类项目对比
| 项目 | 特点 | 优势 | 劣势 |
|---|---|---|---|
| Pixelle-Video | ComfyUI模块化引擎 | 工作流可定制、声音克隆 | 需要ComfyUI基础 |
| MoneyPrinterTurbo | 早期短视频工具 | 社区成熟 | 灵活性不足 |
| NarratoAI | 影视解说专用 | 影视场景优化 | 场景单一 |
| MoneyPrinterPlus | 视频创作平台 | 功能全面 | 定制性弱 |
Pixelle-Video的核心差异化在于ComfyUI工作流引擎——它不是一个固定工具，而是一个可编程的视频生产平台。
小结
- 阿里AIDC-AI团队开源，Apache 2.0协议，免费可商用
- 一句话输入→全自动出片，3-5分钟完成
- ComfyUI模块化架构，每个环节可替换可定制
- 支持声音克隆（Index-TTS）、多尺寸模板、自定义BGM
- Windows一键整合包，零门槛上手
- 完全可免费运行（Ollama + ComfyUI本地部署）
- GitHub 2.7K+ Star，社区活跃，迭代快速
未来不是你会不会做视频，而是你有没有想法。技术已经不再是门槛，认知才是。
GitHub: github.com/AIDC-AI/Pixelle-Video