我一个做自媒体运营的朋友找我吐槽：她每天要剪3-5条短视频发抖音和小红书，每条从找素材、写脚本、配音到剪辑，少则两小时多则半天。她不是技术背景，面对各种”AI视频生成工具”要么是英文界面劝退，要么要付费订阅，要么需要本地GPU。

我想起之前在GitHub上看到过一个开源项目Pixelle-Video，一个全自动的AI短视频引擎——你只需输入一句话描述，它自动完成脚本生成、素材搜索、配音合成、视频剪辑全流程。后台接的大模型是智谱的GLM系列，视频合成用FFmpeg，素材来源支持Pexels和Pixabay的免费素材库。

关键问题是：它需要API调用大模型。朋友需要一个国内可直接访问且性价比高的模型API。

解决方案：蓝耘MaaS平台的GLM-5.1模型。

---

目录

一、选型与蓝耘的作用

二、Windows环境部署

2.1 前置条件

2.2 配置蓝耘API

2.3 启动Web界面

三、实战效果

3.1 生成速度

3.2 蓝耘API的表现

3.3 成本算账

四、避坑指南

4.1 素材搜索失败

4.2 中文配音口音问题

4.3 超长视频内存溢出

五、GLM-5.1 vs 其他国产模型

结语

---

一、选型与蓝耘的作用

Pixelle-Video默认调用云端大模型API。翻了一下蓝耘的模型广场，智谱GLM-5.1在创意写作和内容生成方面口碑不错。关键是蓝耘支持国内直接访问，不需要代理，支付宝就能充值。

我去蓝耘的模型广场查了一下GLM-5.1的定价：输入0.5元/百万token，输出2元/百万token。手动算了一下：一条短视频脚本（300-500字）平均消耗约3000-5000 token，成本约0.3-0.8分钱。也就是说生成100条视频脚本的总成本不到8毛钱。

这个价格对比我朋友之前用的某SaaS视频生成工具（月费299元、每月100条额度），差距不是一点半点。

二、Windows环境部署

2.1 前置条件

Pixelle-Video的运行依赖Python 3.9+和FFmpeg。我朋友的电脑是Windows 11，正好拿来实操。

安装FFmpeg：

去 https://ffmpeg.org/download.html 下载Windows版本，解压后把bin目录加到系统环境变量PATH里。验证：

ffmpeg -version

克隆项目：

git clone https://github.com/AIDC-AI/Pixelle-Video.git
cd Pixelle-Video

随后，我们将启动构建流程。由于国内网络环境的特殊性，建议在构建时开启镜像加速。

💡 终端语法差异提示： 如果你使用的是 PowerShell，环境变量的声明方式较为优雅，需用 $env: 起头，并用分号 ; 衔接后续命令：

$env:USE_CN_MIRROR="true"; docker compose build --no-cache

等构建完成后，再运行启动命令（同样带上环境变量）：

$env:USE_CN_MIRROR="true"; docker compose up -d

若你更偏爱传统的 CMD 命令行，则使用 set 与 && 的组合：

set USE_CN_MIRROR=true && docker compose build --no-cache
set USE_CN_MIRROR=true && docker compose up -d

坦白说这里我遇到了一点依赖冲突——pillow和numpy版本不匹配。解决方法是先pip install numpy==1.24.3再装其他包，顺序很重要。

解决之道在于“化整为零”： 用任意编辑器打开项目根目录下的 Dockerfile，找到那段包含 playwright install --with-deps chromium 的代码块，将其临时删去，只保留 Python 依赖的安装：

RUN export UV_HTTP_TIMEOUT=300 && \
    uv venv && \
    if [ "$USE_CN_MIRROR" = "true" ]; then \
        uv pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple; \
    else \
        uv pip install -e .; \
    fi && \
    playwright install --with-deps chromium

改成：

RUN export UV_HTTP_TIMEOUT=300 && \
    uv venv && \
    if [ "$USE_CN_MIRROR" = "true" ]; then \
        uv pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple; \
    else \
        uv pip install -e .; \
    fi

保存后，重新执行上述的 build 与 up 命令。此时容器能顺利跑起来，但我们还需要把缺失的浏览器内核补上。

潜入容器内部：

在终端输入：

docker exec -it pixelle-video-api bash

如何判断是否进入到了容器内容，别着急，继续往下看

如果成功，你会发现最左边的提示符变了。

• 之前是：PS G:\222\Pixelle-Video>
• 现在会变成类似这样：root@1a2b3c4d5e6f:/app#

只要看到类似 root@xxx:/app#，就说明你已经进入 Docker 容器内部（Linux 环境）了！

然后在当前内部环境下，输入下面的命令进行安装

export UV_HTTP_TIMEOUT=300
uv pip install playwright -i https://pypi.tuna.tsinghua.edu.cn/simple
playwright install --with-deps chromium

🕵️ 为什么不能直接输入 playwright？ 项目使用了 uv venv 在 /app/.venv 下创建了隔离的虚拟环境。可执行文件被安放在 .venv/bin/ 的深处，而非系统的公共路径 /usr/local/bin/。理解了这个层级关系，就不会感到迷惑。

跑完后直接退出就行

装好之后在容器里执行：

exit

回到 PowerShell，然后重启让环境生效：

docker compose restart

如果你是在 pixelle-video-api 里装的，但 Web 页面打开报浏览器/Chromium 相关错，那就再对 pixelle-video-web 也执行一遍同样的命令：

docker exec -it pixelle-video-web bash
# 进入后再执行：
export UV_HTTP_TIMEOUT=300
uv pip install playwright -i https://pypi.tuna.tsinghua.edu.cn/simple
.venv/bin/playwright install --with-deps chromium
exit

然后 docker compose restart。

2.2 配置蓝耘API

编辑项目根目录的.env文件：

LLM_PROVIDER=openai
LLM_API_KEY=sk-ak********
LLM_BASE_URL=https://maas-api.lanyun.net/v1
LLM_MODEL=/maas/zhipu/GLM-5.1
VIDEO_LANGUAGE=zh
OUTPUT_DIR=./output

核心就这几行配置。Pixelle-Video内部用的是OpenAI兼容的API调用方式，蓝耘的接口完全兼容，所以几乎零配置——改API地址和Key就行。

注意模型名要用蓝耘的完整路径/maas/zhipu/GLM-5.1。我第一次只写了GLM-5.1，返回404，翻了一下蓝耘的模型详情页才找到准确路径。

2.3 启动Web界面

python app.py

浏览器打开http://localhost:5000，一个极简的Web界面出来了——一个输入框、一个”生成视频”按钮、一个历史列表。简单到我朋友这种非技术背景的人也能秒懂。

三、实战效果

3.1 生成速度

输入”为什么养成阅读习惯，30秒短视频”，点击生成：

• 脚本生成（蓝耘GLM-5.1）：约4秒

• 素材搜索与下载（Pexels API）：约12秒
• 配音合成（Edge TTS）：约8秒

• 视频剪辑合成（FFmpeg）：约6秒
• 总耗时：约30秒

一条30秒的短视频，从输入到输出只用了30秒。朋友当场表示：“我之前剪一条至少两小时。”

3.2 蓝耘API的表现

GLM-5.1在创意脚本生成方面的表现以及性能是相当不错。

我测试了不同风格的视频需求：

• “数码产品开箱评测”：脚本逻辑清晰，开头吸引人，结尾有引导关注的话术
• “三分钟读一本书”：自动提取核心观点，分章节展开，节奏感好
• “猫咪搞笑合集旁白”：语气活泼，有网感，知道在什么时间点加什么梗

不过GLM-5.1在极专业的垂直领域（比如医学知识科普）偶尔会出现术语不准确的问题。我让朋友在实际使用时，生成完脚本后再花两分钟快速过一遍关键信息，效率依然提升非常大。

3.3 成本算账

朋友用了一个月后的蓝耘账单：

• 生成视频脚本：约150条
• 总token消耗：约75万（输入+输出）
• 总API费用：不到1.2元

对比之前299元/月的SaaS工具，成本几乎是零。而且Pixelle-Video生成的视频直接保存在本地，不像SaaS工具那样有存储限制和视频水印。

四、避坑指南

4.1 素材搜索失败

Pexels和Pixabay的免费API有调用频率限制（Pexels免费版每小时200次）。如果连续大量生成视频，素材搜索会返回429错误。解决方案：在项目的config.py里找到Pexels API Key的设置，去Pexels官网注册一个免费账号，用自己的Key替换默认的——自己的Key有更高频率配额。

4.2 中文配音口音问题

Pixelle-Video默认用Edge TTS做中文配音，但Edge TTS的中文发音偶尔会有奇怪的断句或者把”什么”读成”什-么”。朋友说她的观众反馈”声音有点AI味儿”，我建议她换成Azure TTS的付费版（声音更自然，月费约15元），她试了后说提升明显。这个不是蓝耘或Pixelle-Video的问题，是TTS引擎本身的局限。

4.3 超长视频内存溢出

有一次朋友想生成一条3分钟的深度讲解视频，FFmpeg合成时报内存溢出。原因是Pixelle-Video默认把所有素材帧一次性加载到内存。解决方法是把video_processor.py里的batch_size从默认的0（全部加载）改成50（分批处理），内存占用从4GB降到了500MB。

五、GLM-5.1 vs 其他国产模型

我在蓝耘上做了个横向对比，同样的脚本生成任务：

模型	脚本生成时间	创意评分（主观）	每万token成本
GLM-5.1	4.2秒	8/10	0.5+1元
DeepSeek-V3.2	6.8秒	7/10	2+3元
Qwen3-235B	5.1秒	7.5/10	3+9元

GLM-5.1在创意脚本场景下性价比最高——速度快、创意评分高、价格最低。智谱在中文创意写作上的积累确实扎实。

结语

Pixelle-Video + 蓝耘GLM-5.1这套组合，从安装到生产出第一条视频，总共花了我约两个小时（其中至少40分钟在解决Python依赖冲突）。给朋友配好后她一个月生了150+条短视频。

最大的感受是：蓝耘的模型广场聚合了国内主流大模型，GLM-5.1、DeepSeek、Qwen这些国产模型都能在一个平台上直接调用。如果不走蓝耘，要同时用多个国产模型，要么在各家平台分别注册充值，要么自己部署GPU。蓝耘把多模型调用的门槛从”需要分别对接各家API”降到了”一个Key全搞定”。 Key”。

朋友最近在抖音上的播放量从每条一两百涨到稳定破千，问我要不要合伙做AI视频代运营。我说你先跑通了商业模式再找我，但我可以免费帮你看蓝耘的账单——反正你也花不了几块钱。