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 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
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 \
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 \
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
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
.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=
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
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。
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。
评论0