新闻详情

新闻详情

首页 / 资讯中心 / 详情

Pixelle-Video 完整安装指南:三条路线从零到出片,整合包、源码、Docker 一次讲透

发布时间:2026/11/10 1:11:02来源:尧图网络
Pixelle-Video 完整安装指南:三条路线从零到出片,整合包、源码、Docker 一次讲透
Pixelle-Video 完整安装指南三条路线从零到出片整合包、源码、Docker 一次讲透【免费下载链接】Pixelle-Video AI 全自动短视频引擎 | AI Fully Automated Short Video Engine项目地址: https://gitcode.com/GitHub_Trending/pi/Pixelle-VideoPixelle-Video 是一款 AI 全自动短视频引擎丢给它一个主题或素材它自动完成文案、画面、配音到成片剪辑的全流程。这篇 Pixelle-Video 安装部署指南不按方式一、方式二平铺直叙而是先帮你选路再带着你装完、跑起来、出第一支片。全文覆盖 Windows 整合包、macOS/Linux 源码安装与 Docker 容器化部署三条路径。10 秒定路线我该装哪条路先说结论Windows 普通用户直接拿一键整合包别的场景看下表你的情况推荐路线核心理由Windows 电脑装完就想用一键整合包内置 Python 3.11 与 FFmpeg免装环境解压双击即用macOS / Linux或要改代码、参与开发源码 uv官方推荐路径uv.lock 锁定全部依赖版本可复现服务器部署、多机/团队共用Dockerapi web 双服务一条命令起编排配置与产出自动挂载持久化判断标准很简单机器是 Windows 且不折腾 → 整合包非 Windows 或要动源码 → 源码跑在服务器上给别人用 → Docker。下面按「省事程度」从高到低依次讲。动手前确认三件事安装失败大多栽在环境上先花一分钟过这三个前置关检查项基线为什么关键Python 版本3.11pyproject.toml 声明requires-python 3.11整合包内嵌 Python 3.11.9、Docker 镜像基于python:3.11-slim统一用 3.11 可避开版本边界问题显卡可选NVIDIA 显卡、显存 ≥ 6GB仅当你要本地跑 ComfyUI开源的节点式 AI 绘图/生视频引擎做图像与视频生成时才需要走云端 RunningHub 或直接 API 则完全不需要本地 GPU网络稳定可用LLM 文案、图像生成都要调远程 API国内网络下每条路线都留有镜像加速后手见下文路线一Windows 整合包解压即跑✅ 这是最省事的一条路全程不装 Python、uv、ffmpeg。从项目 Releases 页下载最新版 Windows 一键整合包ZIP解压到路径不含中文与空格的目录可用 PowerShell 的Get-FileHash对照附带的.sha256文件校验完整性双击start.bat——它会指向包内嵌的 Python、把 FFmpeg 加入 PATH然后拉起 Web 界面浏览器自动打开http://localhost:8501搞定。整合包内部大致是「内嵌 python/ 便携 tools/含 FFmpeg 项目文件 data/output 空目录 三个启动 bat」的组合详见 packaging/windows/README.md。 进阶一句话想自己出整合包跑python packaging/windows/build.py即可参数由 build_config.yaml 控制Python 版本、FFmpeg 版本、是否预装 Chromium、排除清单等国内构建可加--cn-mirror走清华镜像。路线二源码安装macOS / Linux / 要改代码先克隆仓库git clone https://gitcode.com/GitHub_Trending/pi/Pixelle-Video cd Pixelle-Video推荐 uvRust 写的极速 Python 包管理器自动建虚拟环境# 没装 uv 就先装 curl -LsSf https://astral.sh/uv/install.sh | sh # 在项目根目录同步依赖 uv sync偏爱 pip 也可以python -m venv venv建环境、激活后pip install -e .效果等价只是慢一些。依赖装了什么一句话概括pyproject.toml 里覆盖了完整 AI 出片链路——Streamlit 前端 FastAPI 后端、OpenAI 兼容与 DashScope 的 LLM 调用、Pillow/MoviePy 的影像处理、Playwright 无头浏览器渲染 templates/ 里的 HTML 模板、edge-tts 配音外加 comfykit 用于驱动 ComfyUI 工作流开发测试另有pytest与ruff。版本已被 uv.lock 锁死谁装都一样。 仓库根目录还备好了 start_web.shmacOS/Linux与 start_web.batWindows内部就是uv run streamlit run web/app.py万一你拿源码包直接跑 Windows 脚本报了错它的提示会把你引回整合包或uv sync照着做即可。路线三Docker 部署服务器场景 适合把 Pixelle-Video 常驻在服务器上。仓库给了完整的 Dockerfile 与 docker-compose.yml镜像基于python:3.11-slim内置 ffmpeg 与 CJK 中文字体、预装渲染模板用的 Chromium暴露8000API与8501Web UI两个端口。compose 文件 编排了三个服务init启动前确保config.yaml存在顺手堵住挂载不存在文件被 Docker 变成目录的经典坑、apiFastAPI 后端带/health健康检查与日志滚动限制、webStreamlit 前端。config.yaml、data/、output/均挂载到宿主机重启不丢数据。# 常规环境 docker-compose up -d # 国内环境构建时自动切阿里云 apt 源 清华 PyPI 镜像 USE_CN_MIRRORtrue docker-compose up -d⚠️ 容器里要连宿主机上的 ComfyUI 时把地址写成host.docker.internal:8188Mac/Windows或宿主机局域网 IPLinux127.0.0.1在容器里指向的是容器自己。点火验证一条命令看到界面即成功# 源码安装uv uv run streamlit run web/app.py # 或用 pip先激活虚拟环境 streamlit run web/app.py判定标准很朴素浏览器打开http://localhost:8501出现 Pixelle-Video 的 Web 界面 → 安装成功。Docker 路线则直接访问http://服务器IP:8501或 curl 一下http://localhost:8000/health确认 API 活着。从装完到出片最后一公里界面能打开只是及格线真正出片还差三把钥匙全部在「⚙️ 系统配置」页填LLM写文案的大脑下拉选预设即可自动填好 base_url 与模型——通义千问性价比最高Ollama 可本地白嫖图像 / 视频生成两条腿二选一本地 ComfyUI填服务地址默认http://127.0.0.1:8188配selfhost/前缀工作流或云端 RunningHub填 API Key配runninghub/前缀工作流免本地 GPUTTS配音默认已指向selfhost/tts_edge.json一般不用动。模板决定了成片比例与版式竖版1080x1920、方形1080x1080、横版1920x1080三档都备好了下面这张就是方形模板渲染出的画面效果配置会落到config.yaml程序启动时经 loader.py 读取文件缺失只警告并回退默认配置Web 页保存时同样写回该文件UTF-8、保留键序。所有默认值与 LLM/Provider 预设注释都写在 config.example.yaml 里照着抄最快。翻车急救箱报错现象 → 定位 → 解法Q1Windows 双击start.bat报错 / 提示去下载整合包→ 说明你跑的是源码包而非整合包且环境里没有 uv。解法二选一换 Releases 页的一键整合包或装好 uv 后先uv sync再运行。Q2依赖下载慢到怀疑人生国内网络→ 三条路线各有加速开关源码走 PyPI 镜像配置Docker 用USE_CN_MIRRORtrue docker-compose up -d自建整合包加--cn-mirror。Q3界面能打开但生成视频失败→ 九成是密钥没填或 ComfyUI 连不上。回到「⚙️ 系统配置」逐项点「测试连接」本地 ComfyUI 默认地址是http://127.0.0.1:8188确认服务确实在跑。Q4config.yaml找不到了 / 被误删→ 程序会打印警告并回退默认配置不致命手动把 config.example.yaml 复制为config.yaml即可。注意它含 API 密钥别提交进 Git。Q5Docker 里配了 ComfyUI 却连不上→ 容器内127.0.0.1不是宿主机。改用host.docker.internal:8188Mac/Windows或宿主机 IPLinux具体注释见 config.example.yaml 的comfyui_url处。下一步 关键文件索引装完、点亮、配好密钥后按 快速开始 生成你的第一支视频服务细节查阅 配置说明。文件 / 目录干什么用pyproject.toml / uv.lock依赖声明与版本锁定config.example.yaml配置模板LLM 预设与 Provider 注释齐全pixelle_video/config/loader.py配置加载/回退逻辑Dockerfile / docker-compose.yml镜像构建与 api web 双服务编排start_web.sh / start_web.bat源码路线的一键启动脚本packaging/windows/Windows 整合包构建脚本、模板与说明docs/zh/getting-started/安装、配置、快速开始等官方入门文档【免费下载链接】Pixelle-Video AI 全自动短视频引擎 | AI Fully Automated Short Video Engine项目地址: https://gitcode.com/GitHub_Trending/pi/Pixelle-Video创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/10 4:49:37

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/10 9:14:31

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/10 1:10:29

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/10 15:15:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉