🎬 Pixelle-Video：输入一个话题，输出一条短视频

从零到百万播放：一个人如何做到

你有没有想过，一个没有摄影团队、没有专业设备的人，是怎么在抖音和B站上持续产出高质量短视频的？答案可能比你想象的更简单——他用 AI 给自己当导演、写稿、出镜、配音、剪辑，整个流程全自动，一个人顶一个内容工厂。

Pixelle-Video 就是这样一套系统。它由 AIDC-AI 团队开源发布，GitHub 获星近 2 万次，是当前最热门的 AI 短视频生成工具之一。Apache 2.0 许可，完全免费可商用，你可以在自己电脑上跑，也可以部署到服务器接 API。

图1：Pixelle-Video 流水线架构 —— 从文字到视频的全链路自动化

这个项目解决什么问题

传统短视频制作需要多个专业工具配合：先用 ChatGPT 写脚本，再用 Midjourney 生图，然后用 11 Labs 配音，最后用剪映剪辑。一套流程下来，至少要折腾 2-3 个小时，工具切换频繁，内容一致性也难以保证。

Pixelle-Video 把这一切整合成一个端到端管道。你只需要输入一个话题——比如「为什么我们应该每天读书」——系统会自动完成以下所有步骤：

第一步，AI 写稿。调用大语言模型，根据你选择的内容类型（知识科普、个人成长、文化解说、历史纪实等 12 种类型）生成对应风格的脚本文案。

第二步，AI 生图。基于 ComfyUI 工作流，根据脚本内容自动生成配套图片素材，支持卡通、纪实、电影感等多种风格。

第三步，AI 配音。使用微软 Edge TTS 文字转语音引擎，支持中文普通话及多方言音色，也支持克隆自定义声音。

第四步，AI 剪辑合成。用 FFmpeg 将图片、配音、BGM 按时间轴自动组装成完整视频，可选竖屏（9:16）或横屏（16:9），适配不同平台。

整个过程在本地执行，所有素材不离开你的机器，隐私安全有保障。

技术架构：FastAPI + Streamlit + ComfyUI

从源码来看，Pixelle-Video 的架构非常清晰，体现了良好的工程设计：

后端 API 层（api/ 目录）：基于 FastAPI 实现，提供了完整的内容管理 API，包括内容生成路由（content.py）、文件管理（files.py）、图片生成（image.py）、TTS 语音（tts.py）、视频合成（video.py）等 REST 接口。开发者和企业可以基于这些 API 将 Pixelle-Video 集成到自己的内容平台中。

Web UI 层（web/ 目录）：基于 Streamlit 构建，提供交互友好的图形界面，适合非技术用户直接在浏览器中操作。启动方式一行命令：uv run streamlit run web/app.py。

核心业务层（pixelle_video/ 目录）：包含四大核心模块：

• pipelines/：视频生成流水线核心逻辑，支持标准流水线（standard）、线性流水线（linear）、资产流水线（asset_based）和自定义流水线（custom）四种模式，可根据不同内容需求灵活切换。
• services/：封装了 ComfyUI 图像生成服务（comfy_base_service.py）、LLM 服务（llm_service.py）、TTS 语音服务（tts_service.py）、视频处理服务（video.py）等，所有外部 AI 能力在这里统一调度。
• prompts/：预置了 12 种内容类型的 prompt 模板，覆盖知识科普、个人成长、文化解说、历史纪实、情感、悬疑等主流内容赛道。
• config/：配置管理，支持自定义 LLM 厂商（OpenAI、阿里通义千问等兼容 OpenAI SDK 的接口）。

部署体验：Docker 一键搞定，但有 GPU 才能跑

Pixelle-Video 在部署方面下了不少功夫。项目根目录同时提供了 Dockerfile（单阶段构建，基于 python:3.11-slim）和 docker-compose.yml（包含 init + api + web 三个服务），开箱即用。docker-compose 还内置了国内镜像源切换机制（USE_CN_MIRLOR=true），国内用户可以无障碍拉取镜像。

部署步骤非常简洁：

1. 克隆仓库
2. 复制 config.example.yaml 为 config.yaml，填入 LLM API Key
3. 运行 docker-compose up -d
4. 访问 http://localhost:8501 打开 Web UI

不过，这里有一个硬性前提：必须有一块支持 CUDA 的 Nvidia 显卡。ComfyUI 图像生成是 GPU 密集型任务，没有显卡的话生图步骤会非常缓慢甚至无法运行。官方建议 8GB 以上显存。内存和磁盘需求相对温和，16GB RAM + 20GB 磁盘基本够用。

对于没有独立显卡的用户，项目也提供了 Windows 整合包（免配置，直接运行），以及纯 API 模式（后台调用，不依赖图形界面）。

谁在用它，能产出什么质量的内容

根据项目 README 中展示的示例和社区反馈，Pixelle-Video 特别适合以下场景：

知识类短视频是它的强项。系统预置的知识科普类 prompt 模板生成的文案结构完整、有逻辑性，配图质量在 ComfyUI 的加持下也相当不错。B站上已有大量用 Pixelle-Video 制作的科普视频，最高播放超过百万。

数字人口播类内容也有不错表现。使用 Edge TTS 的中文音色生成的配音，自然度已经达到了「听起来像真人」的水平（相比早期的机械音有质的飞跃）。配合数字人图片生成，可以生成类似「AI 主播讲知识」的短视频。

局限性也客观存在：视频时长受限于单次生图的 token 消耗，适合 1-3 分钟的短内容；复杂叙事逻辑和镜头语言切换仍然是 AI 的短板；ComfyUI 工作流对硬件要求较高，在没有 GPU 的环境下体验会大打折扣。

为什么值得关注

Pixelle-Video 背后的趋势值得思考：AI 视频生成正在从「专业工具」向「人人可用的流水线」演进。早期的 AI 视频工具（Runway、Pika）侧重于让用户手动控制每一帧，而 Pixelle-Video 的思路完全不同——你只管提需求，执行全部交给 AI。这种「输入话题，输出视频」的模式，代表了 AIGC 从展示技术能力走向实际内容生产力的方向。

从技术演进看，这个项目也是 ComfyUI 生态持续扩张的一个缩影。ComfyUI 最早只是一个 Stable Diffusion 的图形化工作流工具，如今已经成为 AI 图像生成的事实标准平台，并开始向视频、音频等更多模态延伸。Pixelle-Video 的成功验证了 ComfyUI 在非图像领域的扩展可行性。

对于内容创作者：这是一个可以显著降低短视频制作门槛的工具，特别是知识类、教育类内容。对于开发者：这是研究 AI 内容生成流水线的优秀参考实现，代码结构清晰、模块化良好、扩展性强。