Pixelle-Video AI短视频生成实操：从安装到出第一个成片
项目地址: https://gitcode.com/GitHub_Trending/pi/Pixelle-Video Pixelle-Video 是一个开源的 AI 全自动短视频引擎：输入一个主题（或直接粘贴一段完整文案），它会自动完成脚本撰写、逐分镜配图、语音合成和视频合成，最后输出可直接发布的视频文件。它面向需要高频更新短视频的自媒体创作者、知识科普账号，以及想尝试 AI 视频生成但没空研究 ComfyUI 工作流的人。整个过程在浏览器里完成，你要做的只有管理几组 API 密钥。
安装 Pixelle-Video：Windows 整合包与源码启动
Windows 用户走最短路径：下载官方发布的整合包，解压后双击 start.bat，浏览器会直接打开 http://localhost:8501。整合包自带全部依赖，不需要单独装 Python、uv 或 ffmpeg。
macOS 和 Linux 用户从源码启动。前置条件是两样：Python 包管理器 uv，以及视频处理工具 ffmpeg（用 brew 或 apt 安装）。之后克隆仓库：
git clone https://gitcode.com/GitHub_Trending/pi/Pixelle-Video
cd Pixelle-Video
uv run streamlit run web/app.py
uv 首次运行会自动安装依赖，启动后浏览器自动打开 8501 端口的 Web 界面。
配置三组密钥：LLM、图像生成、TTS
首次启动展开「系统配置」面板，配置分三块：
- LLM：负责写脚本，任何 OpenAI 兼容接口都能接。界面提供通义千问、GPT-4o、DeepSeek、Ollama 等预设，选中后 base_url 和模型名自动填充，只需填 API Key。Ollama 指向本地模型，不花钱，但要求机器能跑起来。
- 图像生成：三条路线。本地 ComfyUI（填地址，默认 127.0.0.1:8188，可点「测试连接」）；RunningHub 云端（填 API Key，无需本地环境）；直连模型 API（OpenAI、DashScope、Seedream/Seedance、Kling 等，按供应商填密钥，完全绕开 ComfyUI）。
- TTS 工作流：下拉选择文本转语音方案。默认 Edge-TTS 稳定省心；Index-TTS 支持声音克隆，上传一段参考音频（MP3/WAV 等）即可试听克隆效果。
习惯用文件管理配置的人，可以直接照着 config.example.yaml 修改，字段和 Web 界面一一对应。
跑通第一个视频：从主题到成片的完整流程
- 输入内容：左栏选「AI 生成内容」，输入主题，比如“为什么要养成阅读习惯”。已有文案就选「固定文案」直接粘贴（支持按段落、行、句子分割），跳过 LLM 写稿环节。
- 配背景音乐：三选一，无 BGM、内置音乐，或把自己的 MP3/WAV 放进
bgm/目录，都可试听。 - 调整视觉：中栏选图像工作流和视频模板，图像尺寸默认 1024x1024。提示词前缀（需英文）控制插画整体风格，点「预览风格」先出单张测试。
- 生成：右栏点生成按钮，进度实时显示，例如“分镜 3/5 - 生成插图”。5 个分镜通常耗时 2-5 分钟，瓶颈取决于最慢的图像生成或 TTS 环节。
- 收片：完成后视频自动播放，显示时长、大小、分镜数，文件落在
output/目录。
这是方形（1080x1080）模板的产出：AI 插画居中，标题与解说文字按版式叠加。
两个容易踩的坑：不同生图模型对尺寸限制不同，想要的分辨率不被支持时以模型官方说明为准；提示词前缀必须写英文，中文对出图风格基本无效。
视频模板怎么选：static_、image_、video_ 三类命名
模板决定画面版式，存放在 templates/，按尺寸分组显示：竖屏 1080x1920（短视频平台用）、横屏 1920x1080、方形 1080x1080。文件名前缀直接标明它消耗哪类媒体资源：
static_*.html：不生成任何 AI 媒体，纯文字画面。出片最快，生成成本几乎为零；image_*.html：以 AI 图片为背景。最常用的类型，成本和效果均衡；video_*.html：以 AI 生成的视频片段为背景，基于 WAN 2.1 等模型。每个分镜多一次视频模型调用，耗时和费用都明显上升。
模板本身是 HTML 加 CSS 写的，懂前端就可以自创后放进 templates/ 目录被自动识别。「预览模板」功能允许先调参数看版式，不用跑完整流程。
这张横屏模板对应 image_wide_darktech：左侧标题区、右侧 AI 插画，是横屏解说类视频常见的布局。
实际建议：先用 image_ 模板跑通内容，确认动态背景确有必要时再切 video_ 模板，省下的都是视频模型的调用费用。
替换各环节能力：工作流目录与直连模型
workflows/ 目录会被自动扫描，按部署方式分两个子目录：selfhost/（本地 ComfyUI 执行）和 runninghub/（RunningHub 云端调用）。同一能力通常有对应版本，例如图像生成有 image_flux、image_qwen、image_sd3.5，视频生成有 video_wan2.1_fusionx，TTS 有 tts_edge 和支持声音克隆的 tts_index2。在 ComfyUI 里设计好工作流、导出 JSON、丢进目录，界面里就能选到——接新模型（比如更新的 FLUX 版本或 ChatTTS）走的就是这条路。
不想碰 ComfyUI 也有前缀为 api/... 的直连工作流：系统配置里填好对应供应商密钥，直接调用模型服务。数字人口播、图生视频两个扩展流水线，以及上传参考视频和图片的动作迁移模块，也都基于这套能力组合，按需开关。
另一个入口是「自定义素材」：上传自己的照片或视频，系统先用 VLM 分析素材内容，再围绕分析结果生成脚本，适合先拍素材再后期包装的工作方式。
成本与耗时：先定组合再谈效果
开销主要在 LLM API 和媒体生成（图像、视频、TTS）两部分，常见三档组合各有取舍：
- 零成本：Ollama 本地 LLM 加本地 ComfyUI。代价是需要一张跑得动生图模型的独显，加上部署时间；
- 低成本：通义千问 API 加本地 ComfyUI。LLM 侧花费很低，图像靠自己的机器出；
- 云端：GPT 或千问加 RunningHub、Kling、Seedance 等直连。不用管硬件，按次计费，适合不想维护 GPU 的用户。
耗时上，5 分镜视频一般 2-5 分钟；减少分镜数、改用本地服务会更快。效果不满意时，调整顺序建议是：换 LLM 模型改文案风格，换提示词前缀和尺寸改配图，换 TTS 或上传参考音频改声音，最后换模板改版式。TTS 失败时先回退 Edge-TTS 试一轮，能借此判断问题出在工作流还是服务连接。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
