零基础 5 分钟，免费做出第一条 AI 短视频的完整上手指南-平芜编程栈

零基础 5 分钟，免费做出第一条 AI 短视频的完整上手指南

【免费下载链接】Pixelle-Video🚀 AI 全自动短视频引擎 | AI Fully Automated Short Video Engine项目地址: https://gitcode.com/GitHub_Trending/pi/Pixelle-Video

Pixelle-Video 是一个开源的 AI 全自动短视频引擎：你输入一个主题，它自动写完文案、生成配图、合成语音，最后渲染出成片，适合老师、带货商家和想做自媒体却没有剪辑经验的人。

它能做什么，适合谁

Pixelle-Video 的定位很单一：把"写稿—找图—配音—剪辑"这条流水线整个交给 AI，你只负责出主意和按一个按钮。它支持竖屏、横屏、方形三种画幅，内置二十多个视觉模板和多种 TTS 音色。

老师做科普短视频：讲一个概念，自动生成解说词和配图
带货做产品展示：输入卖点，直接出营销向视频
自媒体发个人成长内容：把碎想法整理成有条理的成片
企业做培训宣讲：内部知识快速变成可播放的视频

零基础做出第一条视频：5 分钟

下载安装：两种方式任选

Windows 新手建议用整合包：到项目发布页下载最新 Windows 一键整合包，解压到任意目录，双击start.bat，浏览器会自动打开http://localhost:8501，不需要装 Python、ffmpeg 任何东西。

源码方式适合 Mac / Linux 或想改配置的人，先装好uv和ffmpeg，然后：

git clone https://gitcode.com/GitHub_Trending/pi/Pixelle-Video cd Pixelle-Video uv run streamlit run web/app.py

完成后你会看到：浏览器停在 8501 端口，页面是三栏布局——左边"内容输入"，中间"语音 / 视觉设置"，右边"生成视频"，左侧还有一个可展开的"⚙️ 系统配置"面板。

接通 AI 服务：文案模型加图像生成

首次使用展开"⚙️ 系统配置"，要接两个服务：

文案模型（LLM），负责写稿，选一个填 Key 即可：

通义千问：中文表现好，成本低，新手首选
GPT 系列：多语言能力强
DeepSeek：便宜，国内访问稳定
Ollama：本地运行，完全免费，需要电脑带显卡

图像生成，负责每句文案的配图，选一条路：

本地 ComfyUI：填服务地址（默认 http://127.0.0.1:8188），点"测试连接"确认能通
RunningHub 云端：只填一个 API Key，不用显卡
直连 API：填 DashScope、OpenAI、Seedream、Kling 等供应商的 Key，跳过 ComfyUI

填完点"保存配置"。完成后你会看到：面板收起，配置被记住，重启程序不用再填一遍。

输入并生成：看进度条走完

在左侧"📝 内容输入"选"AI 生成内容"，输入框里写主题，比如"为什么每天阅读 30 分钟能改变习惯"或"如何在家做出五分钟健康早餐"，分镜数默认 5 个不动。中间栏把 TTS 工作流留默认 Edge-TTS，视频模板选一个竖屏的，想省时间可以选static_开头的静态模板——它不生成 AI 配图，纯文字排版，出片最快。然后点右侧"🎬 生成视频"。

点下去之后右侧会出现实时进度：先"生成文案"，再逐条"分镜 1/5 - 生成插图"，接着"合成语音"，最后"合成视频"。全部走完后视频直接在右侧播放器里自动播放，下方显示时长、文件大小和分镜数，文件同时落在output/文件夹里，可以直接拿去发平台。

用好它的几种玩法

知识科普：输入"反脆弱是什么" → 知识类模板 + 清晰专业的男声 → 效果接近自制课程切片
产品展示：输入"这款保温杯的三个卖点" → 现代简约模板 + 自信语速的解说 → 可直接投放的带货素材
情感故事：输入"写给下班后还在加班的自己" → 治愈风格模板 + 柔和女声，配一段舒缓 BGM → 有氛围感的口播向成片

避坑提醒

生成要等几分钟才正常：5 分镜的片子通常 2-5 分钟，卡在"生成插图"时多半是图像服务慢，别反复点重开
竖屏横屏别选错：发抖音、快手选 1080x1920 竖屏模板，发 B 站、YouTube 选 1920x1080 横屏，模板按尺寸分组，跟着平台挑就行
想零成本跑：LLM 换 Ollama 本地模型、图像用本地 ComfyUI，整条链路一分钱不花
本地显卡显存不够 6GB：别再折腾本地 ComfyUI，图像生成切到 RunningHub 或直连 API
文案不满意：换 LLM 模型、改图像提示词前缀、换 TTS 音色，比重新写主题更快见效

进阶玩法

自定义素材：上传自己的照片和视频，AI 分析内容后生成匹配文案和解说，工作流在 web/pipelines/asset_based.py
声音克隆：在语音设置里上传一段参考音频，生成的解说接近你的音色，教程见 docs/zh/tutorials/voice-cloning.md
直连视频模型：选 DashScope Wan、Kling、Seedance 等 API 视频模型，让画面从静图变成动态片段，模板开发文档在 docs/zh/user-guide/templates.md

第一条视频跑通之后，剩下的功夫全花在挑模板和换音色上。工具不会替代你对内容的判断，但它把出片成本从几个小时压到一杯咖啡的时间。