AI TOOL PUSH一句话结论：短视频工厂是一个开源的 Electron 桌面应用，输入一句提示词和一批视频素材，它自动跑完文案生成 → 配音 → 混剪 → 字幕 → 合成，产出可发布的竖版短视频。文案走 OpenAI 兼容接口，配音用免费本地的 EdgeTTS，剪辑渲染全部在你自己电脑上完成。5.2k Stars，Windows / macOS / Linux 三端安装包开箱即用。
一、做一条短视频，到底要过多少道工序
外行看短视频，觉得不就是”拍一段发出去”？真正自己动手做过一轮的人才知道，一条两分钟的产品介绍视频背后，其实是一整条看不见的流水线：先想选题、定切入角度，再写口播文案，写完还得反复改断句让它适合念出来；然后找配音，要么自己录到嗓子哑，要么花钱找人；接着找素材，产品图、空镜、实拍片段翻遍素材库；再进剪辑软件对时间轴、卡节奏；最后上字幕、配 BGM、导出、检查、重传。每一道工序都对应一个软件，而软件和软件之间互相不认识，中间全靠人手动搬运文件。
如果只做一条，咬咬牙也就过去了。真正压垮人的是批量这个场景——做电商的每天要发几十条产品视频，做自媒体矩阵的恨不得一天更二十条，做知识付费的要给同一门课剪出十几个不同角度的引流切片。这种量级下，手工流程的每一分钟都被放大几十倍：光是”把文案复制进配音工具、导出音频、再拖进剪辑软件”这一串动作，重复二十次就足以让人放弃更新。更麻烦的是质量不稳定，人一疲劳，第二十条片的字幕错别字和第三条的节奏感完全不是一个水平。
市面上的解法大致走两条路：一是云端 SaaS 一键生成，省心但素材要上传、按月付费、风格还容易撞车；二是各种单点的 AI 小工具，各管一段，最后拼接的活儿还是落回人身上。短视频工厂想做的是第三条路——把这条流水线整体塞进一台装在你自己电脑里的机器，人只负责喂原料，不负责搬运。它不生成画面，也不替你想创意，它只是把那些机械、重复、不需要判断力的环节全部接管，让你把注意力收回到选题和素材这两件真正决定成败的事上。
二、它的干活方式：一句话进，一条片出
抛开界面细节，它的核心工作流可以压缩成三个动作：你给它一句提示词和一批素材，它把中间的文案、配音、混剪、字幕、合成全部自己跑完，然后还你一条可以直接发布的成片。整个过程不需要在多个软件之间来回切窗口，也没有”从 A 软件导出、再拖进 B 软件”这种损耗。对用过传统剪辑流程的人来说，光是省掉来回搬运素材这件事，就已经值回票价了。
中间那几个”舱室”才是真正见功力的地方。把每个环节拆开看，你会发现作者在很多地方都做了明确的取舍——有的环节选择把控制权交还给用户，有的环节则直接替你把成本砍到零。下面这四项，基本决定了它到底好不好用：
- 文案生成：兼容通用的 OpenAI 接口格式。这意味着你接 OpenAI、DeepSeek、通义、Kimi、智谱，或者本机跑的 Ollama，只要接口格式对得上就能直接用——模型的选择权和账单都在你手里，不被绑死在某一家的 API 上。这一点比很多”内置模型、只能用它那一个”的同类工具厚道得多，也意味着国内用户不用折腾网络就能跑通整条链路。
- 语音合成：内置 EdgeTTS，微软家的神经网络音色，免费、本地调用、不用注册任何服务。中文音色在免费方案里属于第一梯队，停顿和轻重音的处理做口播视频完全够用。对刚起步的个人创作者来说，光这一项就把”配音”这道工序的成本直接归零了。
- 自动混剪：把你的素材池按文案节奏自动切片、排列、合成。它理解的是”文案念到哪一句，画面该配哪一段”，而不是机械地按顺序平铺。同一批素材跑两次，出来的片也不重样，这正是矩阵分发最需要的特性。
- 字幕：按语音自动对轴上字幕。今年 9 月刚重写了字幕渲染引擎，支持基于真实字体度量的自适应排版、智能分词、自动换行和字号收缩，长文案和中英混排不容易溢出画面。别小看这一项，字幕溢出和错轴是手工剪辑里最耗神的收尾环节。
三、批量模式才是它真正的杀器
单条生成只能算及格线，让我觉得”工厂”这名字没白起的，是它的批量任务模式。你可以先调好一套预设——文案提示词模板、配音音色、素材池范围、字幕样式、输出分辨率——然后让它按这套配置持续合成，一条接一条往下出片，全程不需要人守在旁边点下一步。任务进度和状态都存在本地数据库里，中途关掉软件，下次打开还能接着看。
再看它和”素材池混剪”的配合，批量的价值就被放大了一层：同一个产品，换几种文案切入角度、丢进不同的素材组合，机器能洗出一批彼此都不重样的视频。做矩阵分发或者投放测试的人应该立刻明白这意味着什么——你终于可以低成本地生产”系列”，而不是把同一条片复制二十遍。这在平台查重越来越严的今天，几乎是从”能不能发”到”能不能起量”的分界线。过去这套玩法要么靠堆人力，要么靠买昂贵的云端批量服务，现在一台普通台式机加一个开源软件就能跑起来。
四、拆一下技术栈：全是靠谱的老熟人
作为习惯了先看技术选型再决定要不要往自己电脑上装的人，我照例拆开看了一眼。结论是让人放心的：这个项目没有追任何时髦的新框架，没有为了”AI 感”硬塞些用不上的花活，也没有把一堆重型依赖堆在一起。每一个组件都能说清楚”为什么必须存在”，选型相当务实：
| 组件 | 干什么用的 | 点评 |
|---|---|---|
Electron + Vite + TS |
桌面壳与前端 | TypeScript 全量覆盖，工程化做得规整 |
better-sqlite3 |
本地任务/素材数据库 | 任务状态、批量队列都存在本地库里，断电不丢 |
ffmpeg-static |
内嵌的 ffmpeg | 用户不用自己装 ffmpeg，开箱即用的关键 |
EdgeTTS |
语音合成 | 免费神经网络音色，作者还在持续修它的稳定性 |
pixi.js |
字幕/特效渲染 | 用游戏渲染引擎做字幕排版，怪但有效 |
i18next |
多语言 | 中英双语，连更新日志都按语言分发 |
两个细节值得单独点名。第一，ffmpeg 是内嵌的——Windows 版直接打包进安装包，macOS 版也已完成嵌入，用户不需要配任何环境变量，更不会遇到”命令找不到”这种劝退级报错。在 Electron 视频工具这个品类里，这一点就是及格线和优秀线的分水岭。第二，作者更新非常勤，我写这篇的当天（9 月 3 日）仓库还有新提交，版本已经迭代到 v1.2.2，路线图上”更多语音合成 API”和”更全的参数调整”都在推进中。对于一个刚开源不久的個人项目，这种维护密度比 Star 数更能说明它还活着。
五、怎么装：下安装包就行
首先要明确一点：它不是那种要你配 Python 环境、装一堆依赖、对着命令行敲半天的脚本合集，而是一个正经打包好的桌面应用。去 GitHub Releases 页面，按自己的系统下载对应安装包即可，三个平台都提供了构建产物：
short-video-factory-1.2.2-win-x64-setup.exe # Windows
short-video-factory-1.2.2-mac-universal-installer.dmg # macOS（Universal）
short-video-factory-1.2.2-linux-x86_64.AppImage # Linux装完启动，第一次使用只需要配一样东西：一个 OpenAI 兼容的文案接口，填上 base URL、API key 和模型名就行。配音走内置 EdgeTTS，不用注册任何第三方服务，也不用额外掏钱。中文用户建议先照着官方文档走一遍示例流程熟悉界面，顺利的话十分钟内就能看到第一条成片跑出来。完整的使用手册和常见问题都放在 short-video-factory.yils.blog，遇到问题先翻文档，比在 issue 区等回复快。
还有一点容易被忽略，但对做商业内容的人可能最重要：它完全本地化运行。素材、文案、任务数据、成片全部存在你自己的电脑里（本地 SQLite 库 + 本地文件），不经过任何第三方服务器。你那些还没发布的新品素材、内部培训内容、未公开的营销脚本，都不需要先上传到别人的云上再拿回来——这个隐私边界，在商业场景里值不少钱。
六、泼点冷水：这几个点想清楚再用
- AGPL-3.0 协议要看清。这是最容易被忽略、也最容易踩坑的一条。AGPL 的特点是带”网络传染性”：如果你拿它的源码改出一个在线服务对外提供，你得同样把修改部分开源出去。个人自己用、公司内部用完全没问题，但基于它做闭源商用 SaaS 是不行的。想商用的，正确姿势是直接用它本体出片，而不是二开一个闭源版本拿去卖。
- 素材得你自己准备。它不生成画面——素材池里放什么，成片里就出现什么。如果你的期待是”一句提示词连画面都凭空长出来”，那你要找的是文生视频那类工具（Sora、可灵、即梦之类），不是它。它的定位是”已有素材的自动化组装”，不是”从零造素材”，这两件事别混。
- 文案质量取决于你接的模型。EdgeTTS 是白送的，但文案那一步用的是你自己的 API key、你自己的模型、你自己的账单。接个最便宜的小模型，就别指望口播文案有多惊艳；想要能带货的文案，还是得配个像样的模型，这笔开销要提前算进成本里。
- 字幕样式还在迭代中。新的字幕渲染引擎刚落地不久，路线图上的”多种字幕样式和特效”还没完全兑现，目前能调的参数有限。对字幕颜值和动效有很高要求的，建议先观望几个版本，或者导出后丢进专业剪辑软件再加工一道。
写在最后
这两年”AI 生成视频”的宣传，几乎都指向文生视频那种科幻场景——输入一句话，凭空长出一段以假乱真的画面。但真实情况是，对绝大多数每天要产出内容的人来说，需求朴素得多：把手上已有的素材，用可接受的成本，稳定地变成能发出去的视频。他们不缺想象力，缺的是把第 20 条片也做得和第 1 条一样不出错的那份体力。短视频工厂瞄准的正是这个被主流叙事忽略、却极其庞大的真实缺口。
它没有炫技，也没有蹭什么大模型概念，就是老老实实把文案、配音、剪辑、字幕这条流水线自动化了，然后给这条流水线配了一个 batch 按钮。5.2k 的 Star 数本身就是最好的证明：这个需求有多大，就有多少人被它戳中。更关键的是它的姿态——开源、本地运行、接口可换、协议清晰，没有把你锁进任何一家厂商的生态里。在到处都是”先用免费额度骗进来、再按月收割”的今天，这种姿态本身就值得尊重。
如果你是做产品营销的、做带货矩阵的、做知识付费切片的，或者只是单纯需要持续产出短视频的人，它值得占你硬盘里那 200MB 的位置。当然，也请对它有合理预期：它不会替你想出爆款选题，也不会凭空造出画面，它能做到的是把那些机械劳动从你身上卸下来，让你的时间重新回到判断和创意上。装上跑一条试试，十分钟就能知道它适不适合你的工作流——这个试错成本，低到几乎没有理由不去试。项目地址：github.com/YILS-LIN/short-video-factory · 官方文档：short-video-factory.yils.blog · 协议：AGPL-3.0
