Text-To-Video-AI
Text-To-Video-AI 是一款强大的开源工具，旨在帮助用户仅通过输入文字提示即可自动生成完整的视频内容。它有效解决了传统视频制作中脚本撰写、素材搜集、配音录制及字幕合成等环节耗时费力、门槛较高的问题，让创作短视频变得高效便捷。
这款工具特别适合内容创作者、社交媒体运营者以及希望自动化视频流程的开发者使用。无论是制作 YouTube Shorts、Instagram Reels 还是 TikTok 视频，用户都能轻松上手。其技术亮点在于高度模块化的设计：支持接入 OpenAI、Groq 或 Google Gemini 等多种大语言模型来智能生成脚本；提供 EdgeTTS（免费）和 ElevenLabs 等多种语音合成方案，确保配音自然流畅；还能自动从 Pexels 抓取契合主题的背景素材，并允许用户深度自定义字幕样式与视频画幅（横屏或竖屏）。此外，项目不仅提供了详细的本地部署指南，还准备了 Google Colab 笔记本和付费 API 选项，兼顾了技术爱好者的探索需求与普通用户的即时使用场景。
使用场景
某小型旅游博主团队希望每天快速产出多条高质量的短视频，以覆盖抖音、TikTok 和 YouTube Shorts 等平台的流量红利。
没有 Text-To-Video-AI 时
- 脚本创作耗时：编剧需花费数小时查阅资料并撰写分镜脚本，难以维持日更频率。
- 素材搜集繁琐：剪辑师要在多个图库网站手动搜索匹配的风景视频，版权确认过程复杂且低效。
- 配音与字幕割裂：需分别使用不同工具录制旁白、生成字幕并调整时间轴，人工对齐口型极易出错。
- 多平台适配困难：为适应不同平台的竖屏或横屏要求，必须重复调整工程文件尺寸和构图，工作量翻倍。
- 制作成本高昂：若外包给专业团队，单条视频成本过高，严重压缩了初创团队的利润空间。
使用 Text-To-Video-AI 后
- 一键生成脚本：输入“冰岛极光旅行攻略”，Text-To-Video-AI 利用 OpenAI 或 Gemini 瞬间产出结构完整、吸引人的视频脚本。
- 自动匹配素材：工具自动从 Pexels 抓取与脚本内容高度相关的无版权背景视频，无需人工逐帧筛选。
- 音画字幕同步：内置 EdgeTTS 或 ElevenLabs 生成自然旁白，并通过 Whisper 自动识别语音生成精准时间轴字幕，风格可自定义。
- 灵活切换画幅：只需在配置文件中将
VIDEO_ORIENTATION设为 portrait 或 landscape，即可一键输出适配各平台的视频格式。 - 零边际成本量产：本地部署或调用 API 后，团队能以极低成本实现批量生产，将精力集中于内容策划而非机械制作。
Text-To-Video-AI 将原本需要数小时的视频制作流程压缩至几分钟，让个人创作者也能拥有专业级的内容生产力。
运行环境要求
- Windows
- Linux
- macOS
未说明 (主要依赖外部 API 和本地轻量工具，非本地大模型推理)
未说明
快速开始
文本转视频 AI
使用 AI 根据文本提示生成引人入胜的视频。非常适合制作 YouTube Shorts、Instagram Reels、TikTok 视频等。
想跳过设置吗？ 使用我们的 高级 API 即刻生成视频——无需安装，开箱即用，并可根据您的需求扩展。
演示
https://github.com/user-attachments/assets/1e440ace-8560-4e12-850e-c532740711e7
功能
- AI 驱动的脚本生成：自动从任何主题生成吸引人的脚本
- 多 LLM 提供商：可选择 OpenAI、Groq 或 Google Gemini
- 文本转语音：使用 EdgeTTS（免费）或 ElevenLabs 提供自然流畅的配音
- 自动 B-Roll：从 Pexels 获取相关背景视频
- 可定制字幕：完全控制字体、颜色、位置和样式
- 多种方向：竖屏 (9:16) 适用于短视频，横屏 (16:9) 适用于传统视频
- 语音转文字：使用 Whisper 或 Deepgram 实现精准的字幕时间同步
快速开始
选项 1：使用高级 API（推荐）
跳过所有设置，只需一次 API 调用即可生成视频：
选项 2：Google Colab
通过我们的 Colab 笔记本 直接在浏览器中运行
选项 3：本地安装
请参阅下方的安装说明。
安装
先决条件
- Python 3.8+
- FFmpeg
- ImageMagick
Windows 用户： 请参阅 INSTALL_WINDOWS.md 获取详细的设置说明。
设置
# 克隆仓库
git clone https://github.com/SamurAIGPT/Text-To-Video-AI.git
cd Text-To-Video-AI
# 安装依赖
pip install -r requirements.txt
# 创建配置文件
cp .env.example .env
编辑 .env 文件以填写您的 API 密钥（见下文配置部分）。
使用
python app.py "您的主题在这里"
输出将保存为 rendered_video.mp4
配置
所有设置均通过 .env 文件进行配置。复制 .env.example 即可开始。
API 密钥
| 服务 | 是否必需 | 获取 API 密钥 |
|---|---|---|
| Pexels | 始终需要 | pexels.com/api |
| OpenAI | 如果使用 OpenAI | platform.openai.com |
| Groq | 如果使用 Groq | console.groq.com |
| Google Gemini | 如果使用 Gemini | makersuite.google.com |
| Deepgram | 如果使用 Deepgram STT | console.deepgram.com |
| ElevenLabs | 如果使用 ElevenLabs TTS | elevenlabs.io |
提供商选择
# LLM 提供商：openai、groq 或 gemini
LLM_PROVIDER=openai
# 文本转语音：edgetts（免费）或 elevenlabs
TTS_PROVIDER=edgetts
# 语音转文字：whisper（免费）或 deepgram
STT_PROVIDER=whisper
视频设置
# 方向：竖屏（1080x1920）或横屏（1920x1080）
# 竖屏推荐用于 YouTube Shorts、Instagram Reels、TikTok
VIDEO_ORIENTATION=portrait
字幕设置
# 启用或禁用字幕
CAPTIONS_ENABLED=true
# 字幕样式
CAPTION_FONT_SIZE=100
CAPTION_FONT_COLOR=white
CAPTION_FONT_FACE=Arial-Bold
CAPTION_STROKE_WIDTH=3
CAPTION_STROKE_COLOR=black
CAPTION_POSITION=bottom_center
字幕位置选项： center、top、bottom、bottom_center、bottom_left、bottom_right
字体颜色选项： white、yellow、cyan、red、green、blue、magenta
音色配置
EdgeTTS（免费）：
EDGETTS_VOICE=en-AU-WilliamNeural
热门音色：
en-US-ChristopherNeural- 美国男性en-US-JennyNeural- 美国女性en-GB-RyanNeural- 英国男性en-GB-SoniaNeural- 英国女性en-AU-WilliamNeural- 澳大利亚男性
ElevenLabs：
ELEVENLABS_API_KEY=your_key
ELEVENLABS_VOICE_ID=your_voice_id
教程
贡献
我们欢迎贡献！开始方法如下：
- 分支仓库
- 创建功能分支 (
git checkout -b feature/amazing-feature) - 提交更改 (
git commit -m '添加超赞功能') - 推送到分支 (
git push origin feature/amazing-feature) - 打开拉取请求
高级 API
寻找生产就绪的解决方案吗？我们的 高级 API 提供：
- 无需安装或设置
- 多种视频时长（30 秒至 10 分钟）
- 高级音色和语言选项
- 自定义样式和品牌化
- 可扩展的基础架构
相关项目
| 项目 | 描述 |
|---|---|
| AI 影响力者生成器 | 创建 AI 驱动的虚拟影响力者 |
| AI YouTube Shorts 生成器 | 自动化 YouTube Shorts 创作 |
| 无脸视频生成器 | 创建不露脸的视频 |
| AI B-roll 生成器 | 使用 AI 生成 B-roll 素材 |
Vadoo AI 工具
支持
如果您觉得这个项目有用，请考虑给它点个星！您的支持将帮助我们持续改进该项目。
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。