story-flicks

一句话介绍

Story Flicks 是一款基于大语言模型的 AI 故事短视频生成工具，用户输入一个故事主题，系统自动完成故事脚本撰写、AI 配图生成、语音配音合成与字幕制作，最终输出一段完整的高清故事短片。

背景故事

短视频时代，内容创作者面临的最大瓶颈不是拍摄素材，而是脚本创意与后期制作的漫长周期。一个几分钟的故事短片，从写脚本、找配图、配音到剪辑，熟练创作者也需要数小时。 2025 年初，一位独立开发者（GitHub: alecm20）将这个痛点用 AI 全链路自动化解决了：Story Flicks 将 GPT 的文本生成能力、图像生成模型的视觉创作能力、TTS 语音合成以及 MoviePy 视频编辑pipeline串联起来，用户只需输入"兔子和小狐狸的友情故事"，一个完整短片就能自动生成。 项目发布后在 GitHub 迅速获得 2400+ stars，背后反映的是 AIGC 从"对话助手"向"内容工厂"演进的行业趋势。

功能解析

故事生成流程

整个 pipeline 分为 5 个自动化环节：

1. 主题输入：用户在前端 Web 界面输入故事主题（支持中文）
2. LLM 撰写脚本：后端调用 GPT-4o / 阿里云通义千问 / DeepSeek 等大模型，自动生成故事文案（包含场景描述、旁白文字、对白脚本）
3. AI 生成配图：根据每个场景描述调用图像生成模型（支持 DALL-E / 阿里云通义万相等），生成与情节匹配的高清图片
4. 语音合成：使用 Edge TTS 将旁白文字转换为自然语音，支持中文
5. 视频合成：调用 MoviePy 将图片序列 + 语音 + SRT 字幕合并为 MP4 文件

多模型支持

项目支持灵活的模型提供商组合，用户可以在 .env 中自由配置：

• 文本生成：OpenAI GPT-4o、阿里云通义千问（qwen-plus/qwen-max）、DeepSeek、Ollama（本地部署）、SiliconFlow（聚合平台）
• 图像生成：OpenAI DALL-E、阿里云通义万相、SiliconFlow FLUX.1-dev

这种设计让用户不受单一平台限制，既可以选择官方 API（品质优先），也可以用 SiliconFlow 等聚合平台降低成本。

Web UI 界面

前端使用 React + Ant Design + Vite 构建，界面简洁直观。用户只需填入 API Key、选择模型组合、输入故事主题，点击生成即可。Docker Compose 中前端容器配置了 2GB 内存限制与 1 核 CPU 上限，适合中等配置机器部署。

技术架构

分层结构

项目采用标准前后端分离架构：

story-flicks/
├── backend/              # Python FastAPI 后端
│   ├── app/
│   │   ├── api/         # API 路由 (stories, video, voice, llm)
│   │   ├── models/      # 数据模型定义
│   │   ├── schemas/     # Pydantic 请求/响应 schema
│   │   └── services/    # 核心业务逻辑（LLM、Video、TTS）
│   ├── main.py          # FastAPI 入口
│   ├── Dockerfile       # 单阶段 Python 3.10 slim
│   └── requirements.txt  # 依赖清单
└── frontend/            # React TypeScript 前端
    ├── src/
    ├── package.json     # Ant Design + Vite
    └── Dockerfile       # Node 22 基础镜像

后端依赖分析

FastAPI 生态：FastAPI 0.104.1 + Uvicorn 提供异步 REST API，配合 Pydantic 2.5.2 做数据校验。Python 版本要求 ≥3.10，使用 Python-dotenv 管理环境变量，无需额外配置管理工具。

AI 集成层：

• openai SDK（1.59.7）：对接 OpenAI API 及兼容格式
• dashscope（1.22.0）：对接阿里云百炼平台
• edge_tts（6.1.19）：微软 Azure TTS 的 Python 封装，无需 Azure 账号即可使用高质量中文语音

视频处理：

• moviepy（2.1.1）：Python 视频编辑核心库，负责图片 + 音频 + 字幕的合成
• imageio-ffmpeg（0.4.9）：moviepy 的 FFmpeg 后端
• numpy + Pillow：数值计算与图像预处理

前端技术栈

React 18 + TypeScript + Vite 5 构建工具链，配合 Ant Design 5.x UI 组件库。Vite 的快速热重载特性提升了开发体验。TypeScript 配置包含 tsconfig.app.json（应用代码）与 tsconfig.node.json（构建配置）分离，结构规范。

Dockerfile 分析

后端使用单阶段 python:3.10-slim 镜像，安装阿里云 pip 镜像源加速，CMD 启动 Uvicorn 并开启 --reload 开发模式（生产环境建议关闭）。

前端使用 node:22 镜像，npm i --include=dev 安装全量依赖（包括 ESLint），npm run dev 启动 Vite 开发服务器。

缺点：两个 Dockerfile 均非多阶段构建（前端镜像体积 ~1GB+），生产部署建议改用多阶段构建将静态资源打包进 Nginx 镜像。

部署体验

Docker Compose 一键部署

项目提供完整的 docker-compose.yml，两个服务（backend + frontend）共享 app-network 桥接网络，前端默认依赖后端。部署流程：配置 .env → docker-compose up → 访问 http://localhost:5173。对于没有 GPU 的用户极为友好，所有 AI 能力均通过外部 API 调用，本地无需任何 GPU 资源。

手动部署

后端手动部署需要 Python 3.10+ 环境，安装 requirements.txt 后直接运行 uvicorn main:app --reload。前端手动部署需要 Node 22+，执行 npm install && npm run dev。前后端端口分别为 8000 和 5173，需要配置 .env 中的 API Key。

局限与风险

API 成本

完整的视频生成需要多次 LLM 调用（脚本生成 + 场景拆解 + 图像描述优化）和多次图像生成 API 调用。按照 OpenAI GPT-4o + DALL-E 3 的官方定价，生成一条 60 秒短片的 API 成本约 0.5-1 美元，若使用阿里云百炼或 SiliconFlow 可显著降低。

视频质量边界

MoviePy 合成的视频画面为静态图片切换（非动态画面），字幕为硬编码 SRT 叠加。如果故事需要动态镜头运动或复杂特效，当前 pipeline 难以满足。对于强调画面质感的创作者，生成的视频更接近"动态绘本"而非真正的视频内容。

开源与维护

项目发布于 2025 年 1 月，活跃维护至 3 月（发稿时），25 个 open issues 说明社区活跃，但尚无 release 版本，生产使用需要评估稳定性。

总结

Story Flicks 展现了 AI 全链路内容生成的可行性范式：将 GPT 文本生成 + 图像生成 + TTS + 视频编辑整合为端到端 pipeline，零 GPU 需求即可部署。对于内容创作者、自媒体运营者或教育场景的知识短视频制作，这是一个值得关注的原型级工具。开发者也可以将其作为 FastAPI + React 全栈开发或 AI 应用集成的参考架构。

适合人群：内容创作者、教育工作者、AI 应用开发者（参考架构） 不适合：需要高质量动态视频的专业影视制作