MoneyPrinterTurbo：AI 短视频生成流水线

简介

短视频的生产流程通常是：选题 → 写脚本 → 找素材 → 配音 → 加字幕 → 剪辑 → 导出。每一步都需要人力投入。MoneyPrinterTurbo 把这条链路完全自动化了——你只需要给它一个主题关键词。

它的工作流程是：LLM 根据主题生成视频文案（分镜脚本），TTS 合成语音旁白，从 Pexels/Pixabay 搜索无版权视频素材，生成字幕，最后用 MoviePy 把所有元素合成一个 MP4 短视频。

87.6k stars，15+ 种 LLM 提供商，3 种视频素材源，支持 Web UI / API / CLI 三种使用方式。这是一个功能完整的端到端自动化系统。

项目概览

核心功能

• 端到端自动化：输入主题 → 输出完整短视频
• 多 LLM 支持：OpenAI、Azure、Gemini、Ollama、通义千问、文心一言、DeepSeek 等 15+ 种
• 多素材源：Pexels、Pixabay、Coverr（均无版权）+ 本地素材导入
• 两种 TTS：Edge TTS（免费）和 Azure TTS V2（付费，更自然）
• 两种字幕模式：edge（快，利用 TTS 时间戳）和 whisper（慢但精确）
• 批量生成：可一次生成多个视频
• 横竖屏：9:16（1080×1920）和 16:9（1920×1080）
• Web UI + API + CLI：三种使用方式

快速上手

系统要求

安装（Docker，最简单）

git clone https://github.com/harry0703/MoneyPrinterTurbo.git
cd MoneyPrinterTurbo
cp config.example.toml config.toml
# 编辑 config.toml，填入 LLM API key 等配置
docker-compose up -d

安装（本地，用 uv）

git clone https://github.com/harry0703/MoneyPrinterTurbo.git
cd MoneyPrinterTurbo
cp config.example.toml config.toml
uv sync --frozen

三种使用方式

1. Web UI（推荐新手）

uv run streamlit run ./webui/Main.py
# 访问 http://127.0.0.1:8501

在 Web 界面中输入视频主题、选择 LLM、选择 TTS、选择素材源，点击”生成”即可。

2. API 服务

uv run python main.py
# API 文档：http://127.0.0.1:8080/docs

3. CLI 命令行

uv run python cli.py --video-subject "金钱的作用"

# 指定本地素材
uv run python cli.py --video-subject "旅行日记" \
  --video-source local \
  --video-materials "1.mp4,2.mp4,3.mp4"

# 在指定步骤停止（调试用）
uv run python cli.py --video-subject "AI 简介" --stop-at video

架构与原理

整体流水线

核心模块

LLM 文案生成

MoneyPrinterTurbo 支持 15+ 种 LLM，通过统一的适配器模式接入。每种 LLM 只需要实现一个 generate_response() 方法。

文案生成的 prompt 大致如下：

请为以下主题生成一个 {duration} 秒的短视频脚本：
主题：{subject}

要求：
1. 分成 {segment_count} 个分镜
2. 每个分镜包含：文案内容、搜索关键词、预计时长
3. 语言：{language}
4. 风格：{style}

请以 JSON 格式返回。

LLM 返回的 JSON 被解析后，驱动后续所有步骤。

TTS 语音合成

Edge TTS 的一个优势是返回时间戳，可以直接用于字幕生成，不需要额外的语音识别。

字幕生成

两种模式各有取舍：

config.toml 中切换：

[app]
subtitle_provider = "edge"   # 或 "whisper"

whisper 模式使用 faster-whisper 库，默认加载 large-v3-turbo 模型（约 250MB）。

视频合成

MoviePy 2.x 负责最终的视频合成。流程是：

1. 加载每个分镜的视频片段
2. 按分镜时长裁剪
3. 叠加对应的音频旁白
4. 用 Pillow 渲染字幕并叠加
5. 叠加背景音乐（降低音量）
6. 导出为 MP4（H.264 编码）

升级 MoviePy 2.x 后，字幕渲染不再依赖 ImageMagick，简化了安装。

关键设计决策

1. 为什么用 Streamlit 而非 React/Vue？

Streamlit 可以在纯 Python 中快速构建 Web UI，不需要前端工程化知识。对于一个工具类项目，这大大降低了贡献门槛。

2. 为什么支持这么多 LLM？

不同用户有不同的偏好和预算。有人愿意用 GPT-4o，有人想用本地的 Ollama，有人需要国内的通义千问。统一适配器模式让每种 LLM 都能即插即用。

3. 为什么用免费素材源？

版权问题会阻碍商用。Pexels、Pixabay、Coverr 都提供无版权的高清视频素材，可以安全地用于商业场景。

4. 为什么字幕有两种模式？

Edge 模式快但精度有限，whisper 模式慢但精确。用户可以根据场景选择——快速验证用 edge，正式发布用 whisper。

适用场景与局限

适用场景

• 自媒体批量生产：快速生成大量主题相近的短视频
• 知识科普：把文字内容转化为视频形式
• 营销素材：快速产出产品展示视频
• 教育内容：将知识点做成短视频

局限

• 素材匹配度：自动搜索的素材可能与文案不完全匹配
• 缺乏创意：LLM 生成的文案可能千篇一律
• 不支持人物出镜：只能用素材视频，不能用真人拍摄的内容
• 长视频效果差：超过 3 分钟的视频，素材拼接会显得生硬
• TTS 声音机械：Edge TTS 的声音缺乏情感变化

参考资料

• 官方仓库：harry0703/MoneyPrinterTurbo
• MoviePy 文档：zulko.github.io/moviepy
• Edge TTS：rany2/edge-tts
• faster-whisper：SYSTRAN/faster-whisper