🎬 Automatic AI Short Video Generation

一款打破创作边界的 AI 短视频全自动生产工具。只需一段文案，即可完成从内容到成片的全部环节：语音合成、场景图绘、动态卡拉OK字幕、BGM 自动对仗。

✨ 核心特性

• 多模态生图引擎：

  • 跨厂商支持：内置集成火山引擎 Ark (Doubao-SDXL)、OpenAI (DALL-E 3)。
  • 本地算力解放：支持通过 CLI 调用本地模型（如 Z-Image），实现 0 成本生图。
  • 2K 超清画质：自动适配各大模型的高画质分辨率要求（如 1440x2560）。
  • 客户端配置：API Key 与模型参数完全由前端管理并持久化在本地缓存，安全灵活。

• 高级 ASS 动态字幕：

  • Karaoke 逐字高亮：文字随语音节奏实时变色放大，支持多种预设风格（经典黄、现代白、炸裂冲击等）。
  • 感官对齐优化：视觉高亮提前 200ms，消除听觉延迟感，极其丝滑。
  • 智能排版：支持多行自动换行、居中对齐、标点符号自动避让。
  • 防重叠算法：高亮时重构图层逻辑，解决 ASS 字符重叠阴影问题。

• 音频系统：

  • 集成 Edge-TTS，提供自然流畅的配音，并支持词级时间戳提取。
  • 自动添加 300ms 呼吸余量，解决英文单词结尾截断的顽疾。
  • BGM 支持在线试听、音量平衡及片尾自动淡出。

• 现代化 Web 交互：

  • 实时进度流：每一个镜头的生成状态、生图进度实时反馈。
  • 全能配置面板：实时调节视频比例、音色、字幕样式、字体及模型 API。
  • 一键生产控制：支持实时中止任务，保护算力资源。

🛠️ 技术栈

• 后端: Python (Flask, Multiprocessing, ThreadPool)
• 前端: Vanilla JS, Tailwind CSS (Premium Minimalist Design)
• 核心依赖:
  • FFmpeg: 视频多轨道合成与字幕硬压
  • faster-whisper: 高性能词级时间戳定位
  • edge-tts: 微软云语音合成引擎

🚀 快速开始

1. 环境准备

# 克隆项目并安装依赖
pip install -r requirements.txt
# 请确保系统已安装 ffmpeg (建议版本 >= 5.0)

2. 运行项目

python server.py

访问 http://localhost:8888 即可进入工作台。

3. 配置模型

点击右上角的 「模型配置」 按钮，填入您的 API Key 或本地模型路径。所有配置将保存在您的浏览器本地缓存中。

📂 项目结构

├── generator/         # 核心生成引擎 (audio.py, image.py, animation.py, synthesis.py)
├── web/               # 现代化 Web UI
├── server.py          # 异步任务调度与 Flask 接口
├── config.py          # 系统级默认配置
└── output/            # 视频最终产出目录

📝 许可证

MIT License