Jellyfish 是一款开源 AI 短剧生产工具，从剧本输入到成片导出全流程覆盖，AI 自动拆解剧本、生成分镜、管理角色资产、保证场景一致性，支持视频生成流水线，Docker 一键部署，Windows/Mac/Linux 全平台，Apache-2.0 开源免费。

🎤 引言

AI 视频有个公认的噩梦：第一集女主角是黑长直，第二集突然变短发；第三集场景从咖啡厅跳到了办公室——这不是剧情需要，是 AI 在"发疯"。

做 AI 短剧的朋友应该深有体会：角色一致性、场景连贯性、镜头衔接，每一帧都是坑。

Jellyfish 就是来解决这个问题的。这是一个专注 AI 短剧生产的开源工具，从剧本输入到成片导出，六步流水线全覆盖。评测文章称其"一周狂揽 1.7k+ Star"，GitHub 仓库目前 5 Star、151 commits，Apache-2.0 开源协议。

一句话：AI 短剧创作者的生产线。

⭐ 核心功能

1. AI 剧本理解与故事板拆解

上传剧本后，AI 自动分析剧本结构，拆解成场次和镜头列表，生成结构化故事板。不需要手动逐帧规划，创作者可以直接在此基础上调整。

2. 角色资产一致性管理

这是 Jellyfish 的核心。通过共享实体模型（Shared Entity Model），在项目全生命周期内管理角色外观、服饰、道具等资产。每个镜头生成时都会参考已有资产，保证"同一个人"不会出现两种脸。

3. 镜头准备与确认工作流

标准化工作流：剧本拆解 → 镜头准备 → 候选确认 → 镜头就绪 → 生成工作区。每一步都有确认节点，镜头经过确认后才进入生成环节，减少无效生成和资源浪费。

4. 分镜级图像与视频生成

镜头状态变为 ready 后，进入生成工作区，支持分镜级别的图像生成和视频生成。可以针对单个镜头调整 prompt、换模型、重新生成，不用整体重来。

5. 统一异步任务中心

所有生成任务统一入队，异步执行，任务状态实时追踪。不卡 UI，方便批量管理大量镜头生成任务。

6. 模型和 Prompt 基础设施

支持接入多种底层模型和 prompt 管理方案，方便切换不同的图像/视频生成后端。架构上解耦了模型层，换模型不需要改业务逻辑。

📥 安装与使用

前置依赖

  • Docker + Docker Compose
  • MySQL + Redis（compose 内置）
  • NVIDIA GPU（推荐，生成加速）
  • 16GB+ 显存（跑视频生成模型）

Docker 一键部署

git clone https://github.com/Forget-C/Jellyfish.git
cd Jellyfish/deploy/compose/
docker compose up -d

启动后访问 http://localhost:端口 打开前端界面。

手动开发部署

# 后端
cd backend
pip install -r requirements.txt
python -m uvicorn main:app --reload

# 前端
cd front
npm install
npm run dev

基础使用流程

  1. 创建项目：新建短剧项目，填写基本信息
  2. 输入剧本：粘贴或上传剧本内容
  3. AI 拆解：系统自动拆解出场次和镜头
  4. 资产管理：上传角色参考图，系统锁定外观特征
  5. 镜头生成：逐镜头生成图像/视频，确认后再下一条
  6. 导出成片：批量导出所有镜头，拼接成完整短剧

🎯 适用场景

  • AI 短剧创作者：需要保持角色和场景一致性的连续短剧内容生产
  • 视频 MCN 机构：批量跑 AI 短剧流水线，提升产能
  • 独立创作者：没有团队，自己做短剧全流程
  • AI 视频研究者：作为生产管线，结合最新图像/视频生成模型使用
  • 短剧平台内容填充：需要大量 AI 生成短剧的运营方

🔍 对比/替代方案

方案角色一致性剧本拆解镜头管理开源免费
Jellyfish✅ 共享资产模型✅ AI 自动拆解✅ 分镜级✅ Apache-2.0
Runway✅ 部分❌✅❌ 付费
Pika❌❌基础部分免费
Kling / Sora部分❌❌❌ 闭源付费
自建 pipeline✅ 自定义❌❌✅ 但成本高

Jellyfish 的核心价值是把 AI 短剧生产从"单点工具"升级成"完整生产线"，不需要自己拼凑 Whisper + Stable Diffusion + 视频生成模型 + 资产管理系统。Apache-2.0 开源，可私有化部署，数据不用离开本地。

⚠️ 注意事项

  • 视频生成依赖第三方模型：Jellyfish 本身是管线工具，生成质量取决于接入的底层模型（如 SVD、I2V 模型），需要自行配置模型接口。
  • 显存要求高：跑视频生成模型需要大显存，低配机器建议用 Docker 部署后远程调用 API。
  • 上手有一定门槛：相比剪映等消费级工具，Jellyfish 更偏向专业用户，需要理解 AI 视频生成的基本概念。
  • Star 较少，社区年轻：目前 Star 不多，遇到问题主要靠读源码解决，生产环境使用需自行做好测试。
  • 部分功能尚在完善：评测文章提到工作流部分环节（如候选确认）还在迭代中，部分场景可能需要手动介入。

✅ 总结

优点

  • 开源免费，Apache-2.0，数据本地处理
  • 完整管线覆盖，从剧本到成片不断链
  • 资产模型解决 AI 视频角色漂移痛点
  • Docker 一键部署，门槛相对低
  • 前端 OpenAPI 类型自动生成，开发友好

缺点

  • Star 少（5），社区生态尚在早期
  • 视频生成依赖第三方模型接口，需自行配置
  • 显存要求高，低配设备体验受限
  • 上手门槛比消费级工具高，需要一定 AI 视频知识

推荐指数：⭐⭐⭐⭐（4/5）

如果你正在做 AI 短剧内容、头疼角色一致性问题、想找一条完整开源管线，Jellyfish 值得一试。尤其是需要私有化部署、对数据安全有要求的团队，Apache-2.0 开源 + Docker 部署的组合很友好。

参考链接：