🎬 Pixelle-Video：阿里开源AI全自动短视频引擎输入主题自动生成文案配音素材成片

Pixelle-Video 是阿里国际（ATH-MaaS）开源的 AI 全自动短视频引擎，Apache 2.0 协议。输入主题即可自动完成文案撰写、AI 配图、语音解说、背景音乐与成片合成，支持灵活替换 LLM/TTS/ComfyUI 工作流节点，零剪辑也能批量出片。

🎤 引言

刷到一条短视频，画面精美、配乐到位、解说流畅 —— 你以为这至少得花两小时剪出来？

GitHub 上有个叫 Pixelle-Video 的项目，25.1k Star，2015 Fork，做的事很直接：你给它一个主题，它从写文案到出成片，全自动搞定。背后站着阿里国际（ATH-MaaS），Apache 2.0 协议开源，截至 2026-07-12 已有 377 次提交、130 个 Issue、15 个 PR。

它跟那些"AI 帮你写脚本，还得你自己去剪辑"的半自动工具不一样。Pixelle-Video 是把文案 → AI 配图/视频 → 语音解说 → 背景音乐 → 合成成片整条流水线串起来，你只负责输入，剩下的它来跑。

⭐ 核心功能

1. 全链路自动化，从主题到成片一条龙

Pixelle-Video 的核心不是某一个 AI 能力，而是把多个原子能力编排成流水线。默认流程就是：

输入主题 → LLM 生成文案 → ComfyUI 生图/生视频 → TTS 配音 → BGM 合成 → 输出成片

每个环节都可以独立配置不同的 AI 模型：

文案 LLM：通义千问、GPT-4o、DeepSeek，或者本地跑的 Ollama
配图/视频：ComfyUI 工作流，支持 FLUX、WAN 2.1 等模型
语音合成：Edge-TTS、Index-TTS、ChatTTS 等，还能上传参考音频做声音克隆
背景音乐：bgm/ 目录自带素材，也可以替换成自己的

关键在于环节之间的衔接是自动的。你不需要手动把文案贴到生图工具，再把图片拖进剪辑软件，再对着麦克风录音。整个流水线跑通，从输入到输出。

2. 站在 ComfyUI 生态的肩膀上

ComfyUI 本身就是一个节点式的工作流编排工具，社区积累了成千上万现成的生图、生视频、TTS 工作流。Pixelle-Video 没有从零造轮子，而是直接把短视频生产链路架在 ComfyUI 之上：

原子能力灵活替换：默认用 FLUX 生图？换成任何 ComfyUI 支持的模型即可。默认用 Edge-TTS？换成 ChatTTS 或者任何你喜欢的语音方案也行。只要把工作流文件放进 workflows/ 目录，就能被识别和调用
社区生态直接可用：ComfyUI 玩家积累的模板，Pixelle-Video 用户不用从头搭建

3. 内置多种视频模板，覆盖主流平台

templates/ 目录下默认内置了三种尺寸：

尺寸	适配平台
1080×1920（竖屏）	抖音、快手、Shorts
1920×1080（横屏）	YouTube、B站
1080×1080（方形）	Instagram、微博、小红书

模板风格上预置了人文纪实、文化解构、科学思辨、个人成长、情感、小说解说、知识科普等场景。懂 HTML 的话，还可以自己改模板 —— 本质上模板就是 HTML + CSS，逻辑跟写网页一样。

4. Web 界面 + 脚本启动，小白友好

仓库提供 start_web.bat（Windows）和 start_web.sh（Linux/macOS），启动后开浏览器就能用。左侧栏输入主题，右侧实时预览生成的素材和脚本，进度条会显示文案生成 → 配图 → 配音 → 合成的每一步状态。

不需要碰命令行，不需要懂 ComfyUI 的工作流语法，输入主题 → 点开始 → 等成片。

📥 安装使用

方式一：本地 Docker（推荐）

前置依赖：Python 3.9+、Docker（可选，用于隔离 ComfyUI 环境）、一块支持 ComfyUI 的显卡（显存 ≥ 8GB 起步）。

# 克隆项目
git clone https://github.com/ATH-MaaS/Pixelle-Video.git
cd Pixelle-Video

# 复制配置文件
cp config.example.yaml config.yaml

# 编辑 config.yaml 填入 LLM/TTS 的 API Key
vim config.yaml

# Windows 用户
start_web.bat

# Linux/macOS 用户
chmod +x start_web.sh
./start_web.sh

启动后浏览器访问 http://localhost:8501（或脚本里配置的其他端口）即可。

方式二：Docker Compose 一键启动

仓库自带 Dockerfile，可以用 Docker Compose 编排：

# docker-compose.yml
version: '3.8'
services:
  pixelle:
    build: .
    ports:
      - "8501:8501"
    volumes:
      - ./config.yaml:/app/config.yaml
      - ./workflows:/app/workflows
      - ./templates:/app/templates
      - ./outputs:/app/outputs
    environment:
      - LLM_API_KEY=${LLM_API_KEY}

docker compose up -d

方式三：搭配 ComfyUI 工作流节点

如果你已经有自己的 ComfyUI 工作流（生图/生视频/TTS），把 JSON 文件丢进 workflows/ 目录，Pixelle-Video 会自动识别并在配置里以 ID 形式暴露，你可以在 config.yaml 里指定某个环节走哪个工作流：

# config.yaml 示例
llm:
  provider: tongyi  # tongyi / openai / deepseek / ollama
  model: qwen-max
  api_key: sk-xxx

image:
  engine: comfyui
  workflow: flux_portrait_v1.json  # workflows/ 目录下的文件名

tts:
  provider: edge-tts
  voice: zh-CN-XiaoxiaoNeural

bgm:
  library: ./bgm/  # 自带背景音乐目录

完整配置项可以参考 config.example.yaml，所有可调参数都有详细注释。

第一次使用流程

启动 Web 服务
浏览器打开 http://localhost:8501
左侧输入主题（比如"如何高效阅读"）
选择模板尺寸（竖屏/横屏/方形）
选择文案模型、配图工作流、配音音色
点「开始生成」，等待 3-10 分钟
成片自动保存到 outputs/ 目录，也可以在 Web 界面直接预览下载

🎯 适用场景

根据 B 站王知风等 UP 主的实测和官方文档的描述，Pixelle-Video 最适合这几类用户：

1. 批量数字人口播内容生产者

跨境电商、知识付费、流量号矩阵 —— 这些场景下"日更 50 条"是常态。手动剪辑的成本远高于自动化出片。Pixelle-Video 的工作流是为批量而生的，你写一个主题模板，换不同主题就能跑出 100 条不同内容的视频。

2. 个人创作者 / 自媒体小白

不会剪辑、不想学 PR/AE、不想研究 ComfyUI 节点 —— 只想把脑子里一个点子变成视频。Pixelle-Video 把所有技术门槛封装掉了，你跟 AI 说你想说什么，剩下它搞定。

3. 团队内容工作流

小型 MCN 或者品牌内容团队，可以用 Pixelle-Video 做初稿生成 → 人工审核 → 微调发布的流水线。AI 生成的内容可能千篇一律，但作为初稿已经足够，能省下大量策划和剪辑的时间。

4. 教学/企业培训视频

把课程大纲丢进去，自动配上配图和旁白，比纯 PPT 生动，比手动录课快得多。

⚠️ 注意事项

1. 全自动化不等于高质量化

AI 生成的文案可能千篇一律，配图可能缺乏创意，语音可能缺少温度。对于大量标准化内容生产需求来说够用了，但如果你的视频追求"精品感"或者"独特视角"，还得人工二次创作。

2. 硬件要求是硬门槛

ComfyUI 生图生视频吃显卡，显存 ≥ 8GB 是起步（FLUX 推荐 12GB+），Wan2.1 等视频模型要 16GB+。纯 LLM 路线（Ollama 本地模型 + Edge-TTS）可以脱离显卡，但生图环节就只能调用云端 API。

3. API Key 配置坑

config.yaml 里的 LLM API Key（通义千问、OpenAI、DeepSeek 等）必须自己申请。仓库不包含任何预置 Key。生图走 RunningHub 等云端 ComfyUI 服务的话，也需要单独充值。

4. 版权与合规风险

AI 生成内容的版权归属在不同司法管辖区解释不同；商用前建议核实当地法规。配图如果走 ComfyUI 默认模型，部分模型权重有非商用许可（FLUX schnell 是 Apache 2.0 但 FLUX dev 是非商用），注意区分。

5. 项目仍处于活跃迭代期

GitHub 上 130 个 Issue、15 个 PR 里有不少 bug 反馈和功能请求（截至 2026-07-12），生产环境建议锁定某个稳定版本（git tag），而不是直接拉 main 分支。

✅ 总结

Pixelle-Video 优点：

✅ 全链路自动化，从主题到成片一条龙
✅ Apache 2.0 协议，完全免费（除 API 调用费）
✅ 基于 ComfyUI 生态，原子能力灵活替换
✅ 内置多种模板尺寸，主流平台全覆盖
✅ Web 界面友好，小白也能上手

已知短板：

⚠️ 硬件门槛高（需要支持 ComfyUI 的显卡）
⚠️ 生成内容可能千篇一律，需要人工二次加工
⚠️ API 调用成本（云端方案）或硬件成本（本地方案）都不为零
⚠️ 项目仍在快速迭代，生产环境需谨慎

适合人群：批量内容生产者、自媒体小白、跨境电商运营、企业培训视频制作。

不太适合：追求精品电影感的视频团队、对 AI 生成内容有版权顾虑的合规场景、纯命令行党（虽然它也支持 CLI，但 Web 才是主战场）。

如果你是那种"脑子里有一百个选题、但打开 PR 脑子就空"的人，Pixelle-Video 可能就是你的真香工具。先把流水线跑起来，再用人工筛选打磨，比纯手搓效率高一个数量级。

📦 GitHub 仓库：https://github.com/ATH-MaaS/Pixelle-Video

📖 官方文档：docs/ 目录（已随仓库克隆）