AI短视频工厂 Short Video Factory：开源免费的AI批量混剪工具

AI短视频工厂 Short Video Factory 开源AI批量混剪工具封面

做产品营销短视频，最磨人的往往不是拍素材，是量——一个店铺、一个账号矩阵，每天都要有新片子往外发，人工剪一条二十分钟，一天下来产出个位数。AI短视频工厂（Short Video Factory）就是冲着这个产能问题去的：它是一款开源免费的桌面应用，你给它一句产品卖点加一个装满分镜素材的文件夹，它负责写文案、配音、混剪、上字幕，最后吐出成片；挂上批量模式，还能一条接一条不停产。Windows、macOS、Linux 都有安装包。

先交代下项目现状：截至2026年7月，它在 GitHub 上有 4.4k star，最新版本 v1.2.2 发布于2026年4月，从更新记录看作者一直在修问题、做优化（比如大素材库的分镜时长读取、BGM 音量均衡这类实际使用中才会碰到的坑），是个活着且在被认真维护的项目。软件用 Electron 打包，界面做得比一般开源工具精致——作者自己的宣传语是”高颜值跨平台桌面端工具”，这条倒不算吹，第一眼确实不像糙的技术玩具。从 v1.1.0 起还加了多语言支持，中英文内容都能做，做跨境电商素材的也用得上。

它是怎么把一条视频拼出来的

流程不神秘，拆开就是一条流水线：大模型按你的提示词写一段口播文案 → EdgeTTS 把文案念成配音 → 软件从你的素材库里抽分镜，按配音时长混剪拼接、加转场和背景音乐 → 自动打上字幕 → 渲染输出成片。除了调大模型和配音需要联网，剪辑合成都在本地跑，素材不会被传到谁的服务器上。

有一点要先说清楚：它不是那种 AI 凭空生成画面的工具——成片里的每一帧都来自你自己的素材库，AI 负责的是文案、配音和”怎么剪”。这决定了它的定位：适合手里有素材、缺的是剪辑产能的人；两手空空想直接出片的人，它帮不上忙。

图：从提示词到成片，AI短视频工厂的六步生产流水线

装好之后要配三样东西

安装包从 GitHub Releases 页下载，对应自己的系统装上就行，不用配 Python 环境、不用敲命令——连渲染要用的 FFmpeg 都是内置的（Mac 版从 v1.1.10 起也内嵌了，不用自己另装）。主界面是固定的四栏布局：左边配大模型，中间管素材，右上选配音，右下点合成——所有操作都压在这一屏里，第一次打开基本能看明白。真正要动手配的是三样：

图：AI短视频工厂官方界面演示，左侧文案、中间素材库、右侧配音与合成（来源：项目 GitHub）

大模型 API。它兼容任何走 OpenAI 接口规范的服务商——智谱、Kimi、OpenAI、OpenRouter 这些都能接，填三个字段：API 地址、API Key、模型名。官方手册的示例用的是智谱的免费模型，也就是说这一环可以零成本跑通；不知道 key 怎么申请，手册里有手把手的申请教程。填完先点测试，看到”大模型连接成功”再保存。
分镜素材。点中间区域的”选择”按钮选一个文件夹，里面的视频会被整体导入。注意几个硬要求：目前只认小写 .mp4 格式；每段建议 3 到 15 秒，混剪时单段素材最多被截取 15 秒；所有素材最好保持同一个宽高比，不然成片里画面尺寸跳来跳去。导入后鼠标悬停在素材上可以直接预览，快速过一遍内容对不对；往文件夹里新加了素材，记得点底部刷新重新加载。
配音。TTS 走的是微软 EdgeTTS，免费，不用再申请任何 key，但要联网。语言、性别、音色、语速都能挑，中文里晓晓这类熟脸音色都在列表里，选完点试听，耳朵满意了再往下走。

配完这三样，在合成区写好提示词——你的产品卖点或者内容主题，加上对文案的要求——点合成，等渲染完就能在输出目录里拿到成片。

无人值守的批量模式

单条合成只是基本功，这个工具的卖点在批量：勾上”自动批量合成”，软件渲染完一条，会自动调大模型生成下一条文案，接着合成下一条，如此循环——每条文案都是新生成的，分镜也是重新抽的，文件名自动加序号避免覆盖，直到你点”停止合成”为止。官网宣传的说法是”日更 100 条”，纯看产能确实做得到，机器开着让它自己跑就是了。

但产能是一回事，效果是另一回事，这个后面单独讲。

素材从哪来

自己拍的实拍素材永远是最优解——产品特写、使用场景、不同角度各来几段，池子越大越杂，混剪出来的重复感越低。手里没素材的话，官方手册推荐的路子是免版权素材站，比如 Pixabay Videos 和 Pexels Videos，都是免费可商用的视频素材库，按关键词搜完直接下。如果手里只有一条长视频，可以先用剪映把它切成一段段几秒钟的分镜再导入——软件混剪时按短分镜抽取，长视频直接扔进去不划算。

免费到什么程度

这块可以放心：软件本体开源（AGPL-3.0 协议），没有会员、没有水印、没有次数限制；EdgeTTS 配音免费；大模型这环用智谱的免费模型也是零成本，就算接付费模型，生成一条短视频文案那点 token 也花不了几分钱。算下来每条视频的边际成本约等于零——在动辄按条收费或者按月订阅的同类产品里，这个账算得很干净。作者接受的是自愿赞赏，不影响功能。

批量混剪的现实一面

不画饼，有三件事装之前想清楚。

一是成片质量的上限就是素材质量。AI 能把素材按文案节奏剪顺，但不会把糊的拍成清的、把无聊的剪成好看的——素材池又小又平庸，批量出一百条也是一百条平庸。这个工具放大的是你已有的东西，不是无中生有。

二是平台风控。批量混剪加 AI 配音，恰好是抖音、视频号这些平台重点识别的内容形态，重复度高的矩阵内容会被限流。工具解决的是”产得出来”，不解决”发出去有没有人看”——同一批素材翻来覆去混一百条全发一个号上，大概率换不来一百条的流量，实际投放还是得配合多素材、多账号、多话术去摊薄重复度。这是所有混剪工具的共同天花板，不是它一家的问题，但用之前得有数。

三是配音和字幕的成色。EdgeTTS 的音色顺耳，但明显能听出是 AI 配音，对”真人感”要求高的内容不够用；严肃商用前最好自己确认下微软 TTS 服务的使用条款。字幕特效目前样式比较基础，项目路线图里写着要扩展更多样式和调整参数，眼下就是够用的水平。

和同类工具怎么选

同赛道最出名的开源项目是 MoneyPrinterTurbo，思路类似、出现更早，但它要自己部署 Python 环境或跑 Docker，折腾程度高一截；Short Video Factory 是下载安装包就能用的桌面应用，对不碰代码的运营同学友好得多。另一个方向是数字人口播——本站介绍过的 LuoGen-agent 走的就是这条路，全自动生成 AI 数字人出镜讲话的视频。两者的分工挺清楚：带货、展示产品这类靠画面说话的内容，用素材混剪；做个人 IP、需要有”人”出镜口播的内容，用数字人。真做矩阵的话，这两类工具经常是并着用的。