如果你做过知识口播、短剧或者带货短视频，应该对这样一张时间表不陌生：写脚本一小时、找素材一小时、配图配音再一小时，剪辑合成又是一小时 —— 一条三分钟的视频，半天就没了。想日更？基本只能靠外包，而配音、美工、剪辑各收一份钱，单条成本从几十到几百元不等。更多人卡在第三道坎上：有想法，但不会剪辑软件、不懂调音、也没有绘画功底。
过去两年 AI 工具确实很多，但大多数只解决 "一个环节"：这个能文生图，那个能配音，另一个能出几秒视频片段。环节之间的衔接仍然要靠人，一旦视频拉长，人物换脸、场景穿帮、剧情接不上等问题就会集中爆发。
真正有价值的，是把文案 → 分镜 → 画面 → 配音 → 配乐 → 合成整条链路串起来的 "流水线"。本文要拆解的两个开源项目正是这个思路：
Pixelle-Video：阿里国际数字商业集团 AIDC-AI 团队开源，主打 "输入一个主题，全自动出短视频"；VideoClaw：哈工大（深圳）张民团队联合阿里打造，用多智能体模拟一个剧组，专攻长视频和连续剧情短剧。一个偏 "量产短平快"，一个偏 "长线讲故事"，正好覆盖了 AI 视频创作的两端。

先看热度：一条陡峭的 Star 曲线Pixelle-Video 在 GitHub 上的增长非常能说明问题：前期长时间平缓，进入 2026 年春季后突然拉出一条接近垂直的曲线，目前仓库 Star 数已达 27.6k，最新版本迭代到 v0.1.15，协议为 Apache-2.0（允许商用和二次开发）。

这种曲线通常意味着两件事：一是项目踩中了真实需求，二是上手门槛足够低，能被非技术用户自发传播。从仓库结构也能看出它的工程化程度 ——api、web、workflows、templates、bgm、Docker 配置一应俱全，还提供了 Windows 打包产物。

两种思路：流水线 vs 数字化剧组两者都属于 "第二代" AI 视频创作框架，底层技术栈高度相似：大语言模型负责写和拆，ComfyUI 工作流负责出画面，TTS 负责出声音，最后用 FFmpeg 合成。差别在于如何组织这些能力。
Pixelle-Video：一条无人值守的短视频流水线它的设计目标是 "全程零人工"。你只需要给一个主题，系统会依次完成：
大语言模型（DeepSeek、通义千问、GPT、Ollama 本地模型均可）根据主题写文案，并按镜头逻辑切成分镜；每个分镜交给 ComfyUI，生成对应的图片或视频片段；Edge-TTS、Index-TTS 等语音模型生成口播配音；挂载本地 BGM、自动加字幕，最终输出 MP4。
整个流程可以概括为：文案生成 → 配图规划 → 逐帧处理 → 视频合成，每个环节都能替换成不同的模型、音频引擎和视觉风格。它最擅长知识科普、情感口播、图文轮播这类几十秒到三分钟的内容。
VideoClaw：把长视频交给一支 AI 剧组长视频的难点从来不在 "生成一个镜头"，而在几十个镜头之间保持一致。VideoClaw 的做法不是做一个更强的黑盒，而是把创作拆成一组可查看、可修改、可回溯的智能体：
角色
职责
编剧智能体
把一句灵感或故事梗概扩写成完整剧本
美术智能体
统一角色形象、场景与道具风格
分镜 & 关键帧智能体
规划镜头语言，绘制关键画面
视频生成智能体
分段生成视频片段
音频 & 合成智能体
配音、配乐与后期拼接
它真正的 "杀手锏" 有两个：
场记状态库：像真实剧组的场记一样，持续记录角色、场景、剧情状态，后续镜头都以此为依据，从根上缓解人物变脸、场景跳戏的问题，也让剧情可以无限续写；VLM 闭环质检：用视觉语言模型审核生成的画面和剧情，不合格片段自动回退重生成。项目背后有 FilmAgent、Anim-Director 等前作积累，团队已有多篇 SIGGRAPH/ACL 论文，学术底子相当扎实。除了 WebUI，它还能接入微信、飞书等办公软件进行团队协作。
实际能做出什么效果光看原理不够直观，Pixelle-Video 的 WebUI 把 "文案、配音、BGM、分镜模板、画面风格" 都放在一个页面里，左边填参数，右边直接预览成片：

新版本还扩展了数字人口播、图生视频、动作迁移等模块：

竖屏模板覆盖人文纪实、文化解构、科学思辨等方向，适合抖音、视频号：

配合声音克隆、自定义脚本和不同的生图模型，情感类、小说解说类、知识科普类也都有现成范例：

横屏方面则提供了电影模板和自定义模板，适合 B 站等平台的副业、历史解说类内容：

怎么选：一张对比表看清差异对比维度
Pixelle-Video
VideoClaw
主打场景
短视频、口播、科普、图文轮播（几十秒～3 分钟）
剧情短剧、影视二创、长篇漫剧（3 分钟以上，可无限续写）
操作难度
极低，一键生成
中等，支持逐环节精修
部署难度
Windows 一键包零技术；其他系统简单
标准代码部署
核心优势
批量效率高、模板多、上手快
长视频一致性强、流程可控、专业度高
成本消耗
只调用 LLM / 文生图 API，费用低
分段生成 + 质检，API 消耗略高
适合人群
自媒体新手、副业创作者、日更账号
短剧创作者、二创博主、专业内容团队
我的建议是：新手先用 Pixelle-Video 跑通 "AI 视频生成" 的完整逻辑，再去碰 VideoClaw 做长剧情。前者能帮你快速建立 "分镜数、风格前缀、成本" 之间的直觉，这些经验在后者里同样适用。
Pixelle-Video 部署：三种方式任选开始之前的通用准备（源码部署必看；Windows 一键包已内置 FFmpeg，可跳过）：
网络：调用云端 API 需要联网，纯本地 ComfyUI 可离线；FFmpeg：视频合成的核心依赖，缺了会直接报错；账号：准备一个大模型 API（DeepSeek、通义千问都行，DeepSeek 充值 1 元就能用很久），以及本地或云端的 ComfyUI。方式一：Windows 一键整合包（最推荐新手）从 GitHub Releases 下载最新整合包：https://github.com/AIDC-AI/Pixelle-Video/releases/latest解压到纯英文路径 —— 中文路径是旧版启动失败的头号原因；双击 start.bat，按提示输入邮箱（仅用于统计，不会扣费）；浏览器会自动打开 WebUI：http://localhost:8501。整合包自带 Python 与 FFmpeg 运行环境，v0.1.10 之后也修复了早期启动闪退的问题。
方式二：macOS / Linux 源码部署需要 Python 3.10+，官方推荐用 uv 管理依赖，比 pip 更快也更少冲突。先装 FFmpeg：
# macOS
brew install ffmpeg
# Ubuntu / Debian
sudo apt-get install ffmpeg
# 验证
ffmpeg -version
克隆项目：
git clone https://github.com/AIDC-AI/Pixelle-Video.git
cd Pixelle-Video
安装 uv 并同步依赖：
curl -LsSf https://astral.sh/uv/install.sh | sh
uv sync
启动 Web 界面：
uv run streamlit run web/app.py
浏览器访问 http://localhost:8501 即可。
方式三：Docker（服务器 / 批量运维）docker-compose up
一条命令拉起，不需要额外配置运行环境，适合放在服务器上长期跑批量任务。
WebUI 关键配置：两块缺一不可左侧：语言大模型（负责写文案）可选 DeepSeek、豆包、通义千问，或者 Ollama 本地模型（零 API 费用）。选中模型后填入 API Key 和接口地址即可。国内网络环境下优先选国产模型，能少踩很多 "连不上" 的坑。
右侧：ComfyUI（负责出画面）方案 A：本地部署 —— 适合有 NVIDIA 显卡（显存 ≥ 6GB）的用户，零云端费用：
git clone https://github.com/comfyanonymous/ComfyUI.git
进入目录后执行 pip install -r requirements.txt 安装依赖，再 python main.py 启动，把默认地址 http://127.0.0.1:8188 填回 Pixelle-Video 即可。
方案 B：云端 API—— 没有显卡就选这个，在合作的线上 ComfyUI 平台注册并填入 API Key。注意文生图的 token 单价明显高于大模型，建议先小额充值试跑。
让成片更好看的几个参数分镜数量：越多画面越丰富，但 API 消耗也线性上涨，新手建议 5～8 个先试水；分镜类型（成本由低到高）：纯文字 → 图片轮播 → 视频镜头，按预算选择；BGM：工具不会自动生成音乐，需要把 MP3 放进程序目录下的 bgm 文件夹，再在界面里选择；配音：优先用内置免费 TTS 音色，不建议走 ComfyUI 合成配音，额外扣费且性价比不高；画面风格：在 "提示词前缀" 里定义风格（二次元、写实、水彩……），最好写成英文，模型理解更准确；不必描述具体画面，AI 会结合分镜自动补全。VideoClaw 部署与基本用法git clone https://github.com/HITsz-TMG/VideoClaw
cd VideoClaw
# 安装依赖（参照官方 requirements.txt）
pip install -r requirements.txt
# 启动服务，访问本地 WebUI
上手流程大致是：
输入一句故事灵感，比如 "程序员被裁员后创业，最终收购了原公司"；系统自动生成剧本、角色设定和分镜，每一步都可以手动改；保持 VLM 质检开启（默认开启，强烈建议别关），等待分段生成；成片后可以点 "剧情续写"，让故事继续往下走。踩坑清单：高频问题与解法问题
常见原因
解决办法
启动报 FFmpeg not found
源码部署未装 FFmpeg 或没加环境变量
安装 FFmpeg，把 bin 目录加入 Path 后重启终端
Windows 一键包闪退
路径含中文 / 特殊字符；杀毒软件拦截
换纯英文路径；把目录加入信任名单
API 配好了却不出文案 / 画面
Key 错误或欠费；接口地址填错；访问不了境外接口
核对 Key 和地址、查余额，优先用国内模型
本地 ComfyUI 连不上
ComfyUI 没起来或 8188 端口被占
浏览器访问 127.0.0.1:8188 确认，释放端口
画面闪烁、人物变形
生图模型精度不够、风格不统一
换更高精度模型，统一提示词前缀，降低镜头切换频率
VideoClaw 长视频剧情断层
关闭了场记库或质检；前期设定太粗
两个开关保持开启，角色 / 场景设定尽量写细
另外一个常被问到的问题：** 没有独立显卡能用吗？** 可以。文案、配音、合成都跑在 CPU 上，画面生成交给云端 ComfyUI API 就行。
写在最后：AI 视频工具的 "可控性" 才是长期价值对比市面上的商用 SaaS，这两个项目最打动我的不是 "一键出片"，而是开源 + 本地部署 + 每个环节可替换：数据留在本机，模型可以随时换成更便宜或更强的，流程也能按团队习惯二次开发。
这与我们在 JeecgBoot 低代码平台上做 AI 能力集成时的体会一致 —— 真正能落地到业务里的 AI，一定是可编排、可干预、可审计的流水线，而不是一个无法解释的黑盒。VideoClaw 的 "场记库 + 质检回退"，本质上就是把工程里的状态管理和自动化测试搬进了内容创作。
总结Pixelle-Video：一句话主题全自动出短视频，Windows 一键包零门槛，适合日更账号、知识科普和副业批量生产；VideoClaw：多智能体剧组 + 场记状态库 + VLM 质检，适合剧情短剧、影视二创和长篇漫剧；两者都可以搭配剪映这类轻量工具做最后的微调；建议先用 Pixelle-Video 熟悉 AI 视频生产逻辑，再进阶到 VideoClaw。项目地址：
Pixelle-Video：https://github.com/AIDC-AI/Pixelle-VideoVideoClaw：https://github.com/HITsz-TMG/VideoClaw本文为 JeecgBoot AI 专题研究系列文章。