短视频工厂这个名字，起得挺准

有些视频工具想当导演。

有些工具更像工厂。

这个差别要先说清楚，不然后面很容易错怪工具。

导演要理解镜头、人物、情绪、节奏。这个动作该不该保留，那个眼神要不要多停半秒，某句台词后面是不是要留一点空，都是导演和剪辑的判断。

工厂做的是另一件事：把固定流程跑稳。

给它文案，给它素材，给它语音和字幕，它按流程合成一条视频。今天做 1 条，明天做 20 条，参数改一改还能继续跑。

YILS-LIN/short-video-factory 就是这种工具。

它的中文名叫“短视频工厂”，README 里也写得很直：一键生成产品营销与泛内容短视频，桌面端，本地运行，支持文案生成、语音合成、视频剪辑、字幕和批量处理。

这篇文章不把它包装成“AI 视频导演”。它更像一台本地短视频流水线。

这条线先画清楚。用对了，能省时间；用错了，会很别扭。

short-video-factory 把文案、语音、素材和 FFmpeg 串成流水线

1. 它解决的是批量初稿，不是精剪成片

你可以想象一个很常见的需求。

你有一个产品，准备发一批短视频：

主题：AI 会议纪要工具
素材：办公室、会议、产品界面、人物工作状态
BGM：几首轻快背景音乐
目标：每天生成几条不同版本的产品营销视频

如果每条都找人精剪，成本高。

如果直接让 AI 生成整条视频，又容易发散。

short-video-factory 走的是中间路线：本地桌面应用里，先让大模型写文案，再用 TTS 合成语音，再从素材库抽视频片段，最后用 FFmpeg 合成。

源码里这条链路很清楚。

在 src/views/Home/index.vue 里，点击渲染后大概走四步：

GenerateText
SynthesizedSpeech
SegmentVideo
Rendering

这四步就是它的骨架。

它不像 video-use 那样先转写素材、分析口播、确认剪辑策略。它也不像产品片 Skill 那样先研究产品定位、拆参考片、做质量闸门。

它更简单，也更直接。

把生产流程固定下来，让普通用户在桌面端里跑。

2. 文案生成：接 OpenAI 兼容接口

第一步是文案。

src/views/Home/components/TextGenerate.vue 里用的是 @ai-sdk/openai。用户可以配置三个东西：

apiUrl
apiKey
modelName

这意味着它不绑死某个模型服务。只要你的服务兼容 OpenAI 接口，就有机会接进去。

代码里目前没有复杂的系统提示词。它主要把用户输入的 prompt 发给模型，然后用 streamText 把生成内容流式写到界面上。

这里的好处是灵活。

你想做产品营销，可以写产品卖点；想做治愈语录，可以写语气要求；想做知识类短视频，也可以让模型先生成一段旁白。

这里的边界也很清楚。

文案质量取决于你给的 prompt 和模型本身。这个项目没有在源码里内置一套很重的选题、脚本、爆款结构审稿流程。它把“写什么”留给用户和大模型。

所以如果你想把它用好，最好先准备一套自己的文案 prompt，而不是只写一句“帮我生成一条带货视频文案”。

3. TTS：EdgeTTS 负责语音和字幕

文案生成后，第二步是语音。

electron/tts/index.ts 里接的是 EdgeTTS。

它会把文本合成 MP3。如果打开字幕，还会生成同名 SRT 文件。

代码里还有两个细节值得看。

第一，它会用 music-metadata 解析合成后的音频时长。如果时长拿不到，或者时长是 0，就直接报错。这个检查很必要，因为后面的视频素材长度要跟着语音时长走。

第二，临时语音文件和字幕文件会放到应用的 temp 路径里，退出前清理。这是桌面端工具该做的脏活。

从 Skill 写法看，这一步给我的启发是：不要把 TTS 当成一个“生成语音”的黑盒。你至少要拿到三个结果：

语音文件
字幕文件
音频时长

没有音频时长，后面的剪辑就没法算。

4. 素材选择：它主要按时长随机抽片段

第三步是素材。

src/views/Home/components/VideoManage.vue 会让用户选择一个素材文件夹，然后只筛出 .mp4 文件。

渲染时，它会根据 TTS 时长调用 getVideoSegments。

这段逻辑很实在：

单段素材最小 2 秒
单段素材最大 15 秒
从素材列表里随机选
对每个素材随机取一个 start/end
一直凑到总时长覆盖语音时长

代码里没有看到按画面内容做语义理解的逻辑。

这不是批评。它本来就是工厂。

如果你的素材库已经按主题准备好，比如全是咖啡店、产品特写、办公室场景，那随机抽片段可以快速拼出一批可用初稿。

如果素材库很杂，有会议、猫、海边、代码屏幕混在一起，它也会照抽。抽出来的东西看着怪，责任不全在工具。

这个工具要求用户先把素材库管好。

5. 合成：FFmpeg 是最后的装配线

最后一步在 electron/ffmpeg/index.ts。

它用 ffmpeg-static，所以桌面端可以带着 FFmpeg 跑，不要求用户手动配置系统里的 FFmpeg。

合成时大概做这些事：

读取多个视频片段
trim 每个片段
scale 到目标尺寸
pad 补边
concat 拼接
烧录字幕
语音 loudnorm
BGM loudnorm
语音和 BGM 混音
输出 MP4

这里能看出它不是一个纯前端壳。

Electron 负责桌面能力，Vue 负责界面，TTS 和 FFmpeg 在本地执行，配置和状态存在本地。它确实把短视频生产链路做成了一个可运行的应用。

当然，它的合成策略也比较朴素。

比如素材选择主要按随机和时长，不会自动判断哪个镜头更适合哪句文案；转场效果也不是重点。GitHub issue 里有人提过“是否考虑增加简单的转场效果”，这类反馈其实很符合它的使用场景。

6. 公开反馈：大家想要的，是更聪明的素材和语音

GitHub API 在 2026 年 7 月 17 日返回的数据是：4401 个 star，641 个 fork，open issues 是 25。在中文开源视频工具里，这个关注度不低。

更值得看的，是 issue 里大家提的方向。

issue #57 提到自定义语音音色，issue #60 提到支持本地部署语音接口，issue #71 建议集成 FunASR/SenseVoice 做语音识别和字幕生成。

这些反馈说明用户不只想“有语音”，还想让语音更可控。

素材这边也有变化。PR #72 提到接入 TwelveLabs 智能剪辑，按文案语义匹配素材。这个方向正好补它原来随机抽片段的短板。

还有 issue #69 这类渲染失败问题。视频工具就是这样，用户一多，系统、素材格式、路径、编码都会冒出来。

这类反馈比“好用”“强大”更有价值。它们告诉我们：短视频工厂跑起来以后，下一步自然会走向两件事。

一是素材匹配更聪明。

二是语音和字幕更可控。

7. 怎么装、怎么用

仓库地址在这里：

https://github.com/YILS-LIN/short-video-factory

普通用户可以先看 Release，下载桌面端。

如果你想让 AI 帮你装，可以把 GitHub 地址给 AI，然后说：

帮我安装 short-video-factory。
我想先用它生成一条产品营销短视频，尽量走最简单的桌面端方式。

第一次使用时，不要直接把一堆乱素材扔进去。

你可以先准备一个小素材库：

素材文件夹：
- 10 段产品界面录屏
- 10 段办公室/会议/工作状态 B-roll
- 2 首 BGM

文案 prompt：
生成一段 40 秒以内的产品营销短视频旁白。
产品是 AI 会议纪要工具。
受众是经常开会的团队负责人。
语气自然，不要广告腔。

先跑一条，看看它生成的文案、语音、字幕、素材拼接是不是在你能接受的范围里。

再考虑批量。

这类工具不要一上来就追求“一键完美”。先让流程跑通，再一点点加素材标签、文案模板、语音风格和封面。

8. 如果自己实现一套，该怎么写

如果你想写一个“短视频工厂 Skill”，可以照这个结构来：

适用场景：
批量生成产品营销、语录、泛内容短视频初稿。

输入：
- 文案主题或产品卖点
- 素材文件夹
- BGM 文件夹
- TTS 音色
- 输出尺寸
- 输出路径

工作流：
1. 生成文案
2. 合成语音
3. 生成 SRT 字幕
4. 读取音频时长
5. 从素材库选片段
6. 用 FFmpeg trim/scale/pad/concat
7. 烧字幕
8. 混语音和 BGM
9. 输出 MP4

关键约束：
- 没有素材就先提示用户准备素材库
- 不要把随机抽片段说成“理解画面”
- 输出前检查音频时长和视频时长
- 渲染失败要把 FFmpeg 错误暴露给用户

自己实现短视频工厂的最小流水线

如果要继续升级，可以加三层能力。

第一层，素材标签。

给每段素材加上 办公室、产品界面、人物工作、情绪轻松 这类标签，让文案里的句子能匹配素材。

第二层，画面理解。

接视频理解模型或 TwelveLabs 这类服务，让素材选择从随机走向语义匹配。

第三层，质量检查。

至少检查输出 MP4 是否存在、时长是否接近语音、字幕是否生成、音频是否为空。

这三层加上去以后，它才会从“能批量拼”走向“更像可控生产”。

9. 我的判断

short-video-factory 的优点和边界都在名字里。

它适合做工厂：固定流程、批量初稿、本地合成。

它不适合装导演：复杂叙事、精确镜头、情绪节奏、人物动作，这些最好还是交给更细的剪辑流程。

这并不丢人。

很多内容生产不是一上来就要精品。你先要有一条可重复的生产线，然后才谈哪一段需要人工精修。

如果你只是想用：

先准备一个干净的素材文件夹，少量素材跑通一条产品营销视频，再尝试批量。

如果你想学着写：

别把“自动生成短视频”写成一句大话。把文案、语音、字幕、素材片段、合成、检查拆成一条流水线。

你可以这样写自己的 Skill

适用场景：批量生成产品营销、语录、泛内容短视频初稿。

触发条件：用户有素材库、BGM、文案主题，想批量生成多条短视频。

输入：提示词、素材文件夹、输出尺寸、BGM 文件夹、TTS 音色、输出路径。

输出：带语音、字幕、BGM 的 MP4。

工作流：生成文案，合成语音和字幕，按语音时长抽视频片段，用 FFmpeg 合成。

关键约束：不要假装理解素材内容；随机抽片段适合批量初稿，不适合精剪成片。

可选工具：OpenAI 兼容接口、EdgeTTS、FFmpeg、SQLite、Electron、素材语义检索服务。

可改造方向：增加素材标签、画面识别、镜头去重、中文平台字幕样式和封面自动生成。