10分钟上手AI短视频生成：一键出片实战教程

10分钟上手AI短视频生成：一键出片实战教程

如果你做过自媒体，一定经历过这种折磨：写完脚本、找配图、录配音、剪视频、加 BGM……一套流程下来，大半天就没了。更扎心的是，当你好不容易发出去，数据还不太理想。

今天这篇教程，带你用开源项目 Pixelle-Video 把整个流程自动化。你只需要输入一个主题，它就能自动完成文案撰写、AI 配图、语音合成、背景音乐添加和视频合成。全程不需要剪辑经验，甚至不需要写一行代码。

学完这篇教程，你将能够：独立搭建运行环境、配置 AI 服务、完成一次完整的视频生成实战。我们开始吧。

前置准备

动手前需要准备好以下几样东西：

• Python 环境：推荐 Python 3.10+（本项目使用 uv 作为包管理器，会自动处理依赖）
• ffmpeg：视频处理的核心工具，合成视频必须用到
• 一个 LLM API Key：通义千问、GPT、DeepSeek 均可，用于生成文案
• 可选：图像/视频生成服务：DashScope、OpenAI、Kling 等，或直接使用 ComfyUI 本地部署

为什么需要这些？ LLM 负责写文案和分镜，ffmpeg 负责最终视频合成，图像/视频模型负责生成配图。如果暂时不想花钱，LLM 可以用本地 Ollama，图像生成可以用 ComfyUI 本地部署，这样完全免费。

环境搭建

安装 uv 和 ffmpeg

uv 是新一代 Python 包管理器，比 pip 和 venv 快很多，Pixelle-Video 推荐用它来管理依赖。

前往 uv 官方文档 查看适合你系统的安装方式。装完后在终端验证：

uv --version  # 确认输出版本号

这是视频合成的底层引擎，不装会直接报错。

macOS 用户：

brew install ffmpeg

Ubuntu / Debian 用户：

sudo apt update && sudo apt install ffmpeg

Windows 用户：去 https://ffmpeg.org/download.html 下载，解压后将 bin 目录加到系统环境变量 PATH 中。

装完后验证：

ffmpeg -version  # 看到版本信息就对了

拉取项目并启动

git clone https://github.com/ATH-MaaS/Pixelle-Video.git
cd Pixelle-Video

## 使用 uv 一键启动，会自动安装所有依赖
uv run streamlit run web/app.py

运行成功后，浏览器会自动打开 http://localhost:8501。如果你看到 Web 界面，说明环境已经就绪。

为什么用 uv run 而不是先 pip install？ uv run 会在临时环境中安装依赖并直接运行，不会污染你的全局 Python 环境。对只想快速体验的同学来说，这是最干净的方式。

Windows 懒人选项：如果你不想折腾环境，官方提供了 Windows 一键整合包。下载解压后双击 start.bat 就行，内置了所有依赖。

核心配置：告诉 AI 该用什么服务

首次打开 Web 界面，你需要先展开左侧的 「⚙️ 系统配置」 面板。这里是整个引擎的"大脑设置"。

LLM 配置（必配）

这是文案生成的核心。下拉菜单里预设了通义千问、GPT-4o、DeepSeek 等常见模型。选择后会自动填充 Base URL 和 Model 名称，你只需要填入 API Key。

建议：国内用户优先选通义千问，性价比极高，生成脚本质量完全够用。如果追求速度，DeepSeek 也是不错的选择。

媒体模型配置（按需）

如果你想直接调用图像/视频生成 API（不经过 ComfyUI），需要在这里配置对应供应商的密钥，比如 DashScope（通义万相）、OpenAI、Kling（可灵）等。

每个供应商都可以单独设置是否走本地代理，网络不好的同学记得打开代理开关。

什么时候需要配这个？ 如果你选了 api/... 开头的图像或视频工作流，就必须配。如果你只用 ComfyUI 本地部署，可以不填。

配完记得点 「保存配置」，否则重启页面就丢了。

实战：生成一条"旅行风光"短视频

环境好了，配置好了，我们来真刀真枪跑一次。

输入主题

在左侧 「📝 内容输入」 区域，选择 「AI 生成内容」 模式，输入主题：

旅行路上的风景让人流连忘返

这里你也可以选「固定文案内容」模式，直接粘贴自己写好的脚本。但第一次用建议选 AI 生成，感受一下效果。

选 BGM

在同一个面板里找到背景音乐选项。初学者直接选 「内置音乐」 里的 default.mp3 就行。如果你想用自己的音乐，把 MP3 文件放到项目根目录的 bgm/ 文件夹里，它会自动扫描出来。

配置 TTS 和视觉风格

中间栏是语音和视觉设置：

• TTS 工作流：默认选 Edge-TTS，免费且效果不错。如果你的 TTS 工作流支持声音克隆，可以上传参考音频。
• 图像生成：默认用 image_flux.json 工作流，生成的配图质量很好。
• 图像尺寸：默认 1024x1024，做竖屏短视频保持这个尺寸就行。
• 提示词前缀：这里控制配图的整体风格。比如填入 Minimalist black-and-white matchstick figure style illustration, clean lines 就会生成极简火柴人风格。注意这里要用英文。

选模板并生成

继续往下找到 「视频模板」，按你的需求选：

• static_*.html：纯文字模板
• image_*.html：AI 配图做背景
• video_*.html：AI 视频做背景

选好后，切到右侧栏，点击 「🎬 生成视频」。

接下来你会看到实时进度：

正在生成文案... ✓
正在规划分镜... ✓
分镜 1/5 - 生成配图... ✓
分镜 2/5 - 生成配图... ✓
...
正在合成语音... ✓
正在合成视频... ✓
生成完成！

整个过程根据分镜数量和网络情况，通常几分钟内完成。生成完成后，视频会自动播放预览，文件保存在 output/ 目录下。

常见问题与踩坑提醒

1. 启动时报错找不到 ffmpeg

这是最常见的坑。ffmpeg -version 能在终端跑通，但项目还是报错，通常是环境变量没生效。Windows 用户加完 PATH 后一定要重启终端， macOS 用户试试 brew link ffmpeg。

2. 生成视频很慢

慢一般卡在两个地方：LLM 生成文案、或图像模型推理。如果是 API 调用慢，检查网络是否稳定；如果用 ComfyUI 本地部署，显卡性能是瓶颈，降低图像尺寸能显著提速。

3. 配图风格不满意

回到「提示词前缀」改风格描述。也可以换图像生成工作流，项目 workflows/ 里有多个可选。不同工作流背后是不同的模型和 Prompt 模板，效果差异挺大的。

4. TTS 声音太机械

试试 Index-TTS 工作流并上传一段你喜欢的参考音频，声音克隆的效果比 Edge-TTS 自然很多。上传的音频尽量选清晰、无背景噪音的。

5. 费用问题

项目完全支持免费运行：Ollama 本地跑 LLM + ComfyUI 本地生成图像 = 0 元。如果显卡不够，推荐通义千问 + 本地 ComfyUI 的组合，成本极低。

总结

回顾一下我们今天做的事情：

1. 安装 uv 和 ffmpeg，拉取项目代码
2. 用 uv run streamlit run web/app.py 启动 Web 界面
3. 配置 LLM API 和可选的媒体模型密钥
4. 输入主题、选 BGM、调风格、选模板
5. 一键生成，坐等成品

整个流程从环境到出片，熟练后 10 分钟就能搞定一条视频。这背后是 文案生成 → 配图规划 → 逐帧处理 → 视频合成 的完整自动化管线，每个环节都支持灵活替换模型或工作流。

下一步建议：

• 试试「自定义素材」工作流，上传你自己的照片让 AI 分析并生成脚本
• 探索项目内置的多种视频模板，找到最适合你账号风格的
• 如果会用 ComfyUI，可以自己编写工作流放到 workflows/ 目录，定制专属生成流程

自媒体竞争越来越卷，工具能帮你省下的时间，就是你能多产出内容的底气。去试试吧，生成完第一条视频记得在评论区告诉我效果如何。