gyoridavid/short-video-maker

Short Video Maker

概述

Short Video Maker 是一个开源的自动化视频创建工具，旨在通过简单的文本输入生成引人入胜的短视频内容。它整合了文本转语音、自动字幕生成、背景视频和背景音乐功能，提供了一种免费替代方案，无需依赖高性能GPU或昂贵的第三方API调用。

该项目由 AI Agents A-Z *** 频道 开源，鼓励用户访问该频道获取更多AI相关内容和教程。服务器同时暴露 https://github.com/modelcontextprotocol 和 REST 服务接口，其中MCP服务可与AI代理（如n8n）配合使用，而REST端点则为视频生成提供了更大的灵活性。

核心功能与特性

• 文本驱动视频生成：从简单文本输入创建完整短视频
• 文本转语音转换：使用Kokoro TTS生成语音旁白
• 自动字幕生成与样式化：通过Whisper自动生成并样式化字幕
• 背景视频搜索：通过Pexels API根据关键词搜索相关背景视频
• 背景音乐选择：支持按风格/情绪选择背景音乐
• 双服务接口：同时提供REST API和模型上下文协议(MCP)服务器

使用场景与适用范围

适用于需要快速创建无真人出镜短视频的场景，如社交媒体内容创作者、营销人员、教育工作者等，可用于生成*** Shorts、***、Instagram Reels等平台的视频内容。

使用方法

系统要求

• 互联网连接
• 免费的Pexels API密钥（可从Pexels API获取）
• 至少3GB可用内存（推荐4GB）
• 至少2个vCPU
• 至少5GB磁盘空间

Docker部署（推荐）

提供三种Docker镜像，适用于不同使用场景：

Tiny镜像

• 使用tiny.en Whisper模型
• 使用q4量化Kokoro模型
• 并发数=1（避免资源有限时的内存溢出）
• 视频缓存大小=100MB（避免内存溢出）

bash
docker run -it --rm --name short-video-maker -p 3123:3123 -e LOG_LEVEL=debug -e PEXELS_API_KEY=<你的Pexels密钥> gyoridavid/short-video-maker:latest-tiny

Normal镜像

• 使用base.en Whisper模型
• 使用fp32精度Kokoro模型
• 并发数=1
• 视频缓存大小=100MB

bash
docker run -it --rm --name short-video-maker -p 3123:3123 -e LOG_LEVEL=debug -e PEXELS_API_KEY=<你的Pexels密钥> gyoridavid/short-video-maker:latest

Cuda镜像（适用于Nvidia GPU）

• 使用medium.en Whisper模型（支持GPU加速）
• 使用fp32精度Kokoro模型
• 并发数=1
• 视频缓存大小=100MB

bash
docker run -it --rm --name short-video-maker -p 3123:3123 -e LOG_LEVEL=debug -e PEXELS_API_KEY=<你的Pexels密钥> --gpus=all gyoridavid/short-video-maker:latest-cuda

Docker Compose配置

yaml
version: "3"

services:
  short-video-maker:
    image: gyoridavid/short-video-maker:latest-tiny
    environment:
      - LOG_LEVEL=debug
      - PEXELS_API_KEY=<你的Pexels密钥>
    ports:
      - "3123:3123"
    volumes:
      - ./videos:/app/data/videos  # 挂载目录以保存生成的视频

如果使用https://github.com/n8n-io/self-hosted-ai-starter-kit%EF%BC%8C%E9%9C%80%E6%B7%BB%E5%8A%A0%E7%BD%91%E7%BB%9C%E9%85%8D%E7%BD%AE%EF%BC%9A

yaml
networks: ['demo']

配置说明

环境变量

🔧 配置类

⚙️ 系统配置类

⚠️ 高级配置类

视频配置选项

REST API 接口

健康检查

bash
curl --location 'localhost:3123/health'

响应：

json
{
    "status": "ok"
}

创建短视频

bash
curl --location 'localhost:3123/api/short-video' \
--header 'Content-Type: application/json' \
--data '{
    "scenes": [
        {
            "text": "你好，世界！",
            "searchTerms": ["河流"]
        }
    ],
    "config": {
        "paddingBack": 1500,
        "music": "chill"
    }
}'

响应：

json
{
    "videoId": "cma9sjly700020jo25vwzfnv9"
}

获取视频状态

bash
curl --location 'localhost:3123/api/short-video/{videoId}/status'

响应：

json
{
    "status": "ready"  // 可能的值：processing, ready, failed
}

获取视频文件

bash
curl --location 'localhost:3123/api/short-video/{videoId}' --output video.mp4

获取所有视频列表

bash
curl --location 'localhost:3123/api/short-videos'

响应：

json
{
    "videos": [
        {
            "id": "cma9wcwfc0000brsi60ur4lib",
            "status": "processing"
        }
    ]
}

删除视频

bash
curl --location --request DELETE 'localhost:3123/api/short-video/{videoId}'

响应：

json
{
    "success": true
}

获取可用语音列表

bash
curl --location 'localhost:3123/api/voices'

响应：

json
[
    "af_heart",
    "af_alloy",
    "af_aoede",
    // ...更多语音类型
]

获取可用音乐标签

bash
curl --location 'localhost:3123/api/music-tags'

响应：

json
[
    "sad",
    "melancholic",
    "happy",
    "euphoric/high",
    "excited",
    "chill",
    // ...更多音乐标签
]

MCP服务器

MCP（模型上下文协议）服务器可与AI代理（如n8n）配合使用，提供以下工具：

• create-short-video：创建短视频，LLM会自动确定配置
• get-video-status：检查视频生成状态

服务器URL：

• /mcp/sse
• /mcp/messages

工作原理

1. 使用Kokoro TTS将文本转换为语音旁白
2. 通过Whisper生成准确的字幕
3. 使用Pexels API根据关键词搜索相关背景视频
4. 通过Remotion合成所有元素
5. 渲染生成带有同步字幕的专业短视频

限制

• 仅支持英文语音旁白（Kokoro-js目前不支持其他语言）
• 背景视频仅来源于Pexels

依赖项

故障排除

• Docker需要至少3GB可用内存，请确保为Docker分配足够的RAM
• 在Windows上通过WSL2运行时，需通过wsl配置工具设置资源限制
• 使用npm运行时，需确保安装所有必要的系统包（Ubuntu需安装git wget cmake ffmpeg curl make libsdl2-dev等）

许可证

本项目采用MIT许可证。

贡献

欢迎提交PR，详细开发环境设置请参见CONTRIBUTING.md。

致谢

• ❤️ Remotion - 程序化视频生成
• ❤️ https://github.com/ggml-org/whisper.cpp - 语音转文字
• ❤️ Pexels - 视频内容来源
• ❤️ FFmpeg - 音视频处理
• ❤️ https://github.com/hexgrad/kokoro - 文本转语音生成