如何使用 Pixelle-Video 从一行文字创建视频

最近偶然发现了 Pixelle-Video 仓库，它试图解决懒人的永恒难题：如何在完全不接触视频编辑器的情况下，为 YouTube 或社交媒体创建内容。这个想法并不新鲜，类似的东西层出不穷，但 ATH-MaaS 团队以工程师的热情来对待这个问题。

该项目是一个用于完全自动化短视频的"引擎"。你只需输入一个主题，就能得到一个现成的 MP4 文件，包含配音、字幕、背景音乐以及由神经网络生成的图片（或视频片段）。这不仅仅是一个 Python 脚本，而是一个围绕大量 AI 服务的完整包装器。

有了 CapCut 还需要这个吗

如果你需要编辑家庭 vlog，Pixelle-Video 帮不了你。它的设计场景不同——批量制作解说视频、教育视频或语录可视化。你知道那些"关于太空的 10 个事实"频道吗？里面有个欢快的声音在 AI 生成的图片上解说？Pixelle-Video 正是这类内容自动化的完美工具。

你不需要坐在 Premiere Pro 里调整音频剪辑来匹配画面，只需在配置文件中描述视频结构，或者直接指定一个主题。工具会通过 LLM 自己编写脚本，将其分解为逻辑片段，然后发送图形生成请求。

项目架构相当灵活。下图显示作者将流程分成了原子化的部分。

工作流程图

一切的中心是一个 Streamlit Web 界面。通过它你可以管理模型库。主要系统组件如下：

文本核心。LLM 负责脚本生成。项目几乎支持所有模型：从 GPT-4o 到通过 Ollama 的本地模型。如果你对神经网络写文本不放心，可以直接插入自己准备好的脚本。
视觉层。这里很有趣。Pixelle-Video 可以与 ComfyUI 配合使用。这意味着你可以连接自定义工作流来生成图片或视频。如果你不想处理 ComfyUI，也可以直接集成 Kling 或 DashScope 等 API。
语音和音频。配音使用 Edge-TTS（免费且效果好）或更高级的语音克隆选项如 Index-TTS。
模板化。最终组装通过 HTML 模板完成。这是一个聪明的解决方案：无需通过 FFmpeg 的大量滤镜进行复杂的视频渲染，而是像网页一样组合画面，从而在字幕设计和特效叠加方面提供灵活性。

该仓库有很多功能，但我会重点介绍几个最实用的。

你可以为所有生成内容设置全局风格。例如，指定"极简黑白素描风格"，神经网络就会尽量保持视频中所有插图的一致性。这消除了视觉混乱——不会出现一帧像动漫而另一帧像写实照片的情况。

项目最近添加了"自定义素材"功能。现在你不必从头生成所有内容。你可以上传自己的照片或视频，AI 会分析其内容并编写脚本，将你的文件串联成一个连贯的叙事。

对于没有强大 GPU 的人，作者加入了 RunningHub 支持。这是一个用于运行 ComfyUI 的云平台。这意味着繁重的图形生成工作可以卸载到云端，本地脚本只负责流程管理。

开发者准备了两条路径。

Windows 用户有现成的 exe 文件（build in releases）。下载、运行 start.bat，不到一分钟界面就会在浏览器中打开。无需处理 Python 或依赖项。

Linux 和 macOS用户则按标准流程：

git clone https://github.com/ATH-MaaS/Pixelle-Video.git
cd Pixelle-Video
uv run streamlit run web/app.py

在这里使用 uv 至关重要——项目引入了相当多的库，普通的 pip 可能会因为版本冲突而卡住。

当然有。文档有时比较特定：开发者的主要关注点是中国社区，所以一些代码注释或链接指向 Bilibili 等资源。但英文界面和 README 相当可用。

第二个考虑是成本。如果你使用云端模型（OpenAI、Kling），每个视频都需要支付 API 令牌费用。完全免费的方案只有 Ollama + 本地 ComfyUI，但准备好在中端 GPU 上生成 30 秒视频需要 10-15 分钟。

Pixelle-Video 是一个出色的构建器。它不会为你创作一部电影级大片，但作为自动化日常工作的工具，它非常棒。如果你从事内容营销，或者只是喜欢折腾神经网络自动化，这个仓库绝对值得加星。

对于已经熟悉 ComfyUI 的人来说，这个项目会特别有吸引力，因为 Pixelle-Video 让你把复杂的基于节点的工作流变成一个简单的界面，用于生成现成的产品。