ARTICLE · 1299744

7.4 万星的开源项目,把 AI 编程助手变成视频公司

发布时间：2026-11-03 05:26:14 最近访问：2026-11-03 05:26:15

上面这张是全文浓缩版。往下每一节都是把它拆开讲。

GitHub 上最近有个超爆火的做视频开源项目，狂揽 74,701 颗星。

它叫 OpenMontage，干的事一句话说得完：把你的 AI 编程助手，变成一家视频公司。

装上之后，你在 Claude Code 或者 Cursor 里敲一句人话，它自己去找素材、写剧本、排分镜、配音、渲染，最后丢给你一个 mp4。剪辑软件、时间线、关键帧，全都不用你碰。

一条 45 秒的讲解片，零成本，五到十分钟出片。换成 AI 生成的画面，两块五美元，半小时。

▶ 零成本，五到十分钟出一条片

一支 30 秒科幻概念预告片的六个镜头。Veo / Kling 出画面，Suno 配乐，标题卡由 Remotion 合成。

这条片子花了两块五美元左右，跑了二十五到四十分钟。

下面这些是它更常规的产出，都不花钱：

45 秒的数据讲解片，柱状图、饼图、数字揭示卡、逐词字幕，5 到 10 分钟

60 秒的纪录片式蒙太奇，用 Archive.org、NASA、Wikimedia 的真实素材，零成本

90 秒的技术讲解，rebase 和 merge 的对比卡，给初级开发者看

把一条长视频切成十条排好序的短片

▶ 它跟别的 AI 视频工具差在哪

绝大多数 AI 产品里都有一层编排：产品经理把流程画成图，工程师写成代码，用户只能在这条路上走。

这层东西说白了就是导演，决定先做什么后做什么、什么算过关。

OpenMontage 把它删了。README 里那句原话：

There is no code orchestrator.Your AI coding assistant IS the orchestrator.

所以这个仓库里没有一行代码在编排流程。

它交付给你的不是一个程序，是三样东西：一组能被调用的工具，一份说明「这类任务按什么顺序做」的流水线清单，一套说明「什么算做好了」的技能文件。

模型换一代，这三样跟着变强，业务代码一行不用改。

同一件事，三种做法。虚线框就是「编排」发生的位置。

差别不在技术，在天花板在哪。SaaS 的上限是产品经理的想象力，这玩意的上限是工具的组合数。多写一个工具，整个系统的能力面就扩一圈，主流程不用动。

▶ 一条片子要过七道工序

十二条流水线覆盖的场景差很远，讲解片、纪录片、切片、播客、数字人，但底层主干是共用的。

这七步不是文档里画的示意图，是看板上真实的七个格子：

打勾的是走完的，亮着的是正在跑的。右上角是本次花费和预算上限。

最右边还多一个 publish，发布环节，不算在主干七步里。

调研这一步做十五到二十五次网络搜索，覆盖 YouTube、Reddit、Hacker News 和学术来源，保留出处。跳过它，脚本就变成模型复述训练数据。做知识类内容这是致命伤，你以为它在讲事实，其实它在回忆。

提案给两三个差异化概念，每个带工具路径和成本预估。这是你唯一能低成本改方向的机会，过了这步每一步都在花钱。

脚本按时长控制字数，标注重音和停顿，同步生成旁白与字幕时间轴。

分镜逐场景定义画面、运动、时长、转场、情绪。这一层直接决定成片是视频还是 PPT。

素材按分镜调工具，生成画面、检索真实镜头、合成配音、配乐。

剪辑排时间线，处理节奏、转场、音画对齐、字幕烧录。

合成渲染、验证、抽帧检查、音频电平分析。

十二条流水线就是在这条主干上换配置。我按用途把它们排了一下：

12 条流水线，共用同一条七步主干，只是配置不同。

如果你做内容号，先试这三条：动画讲解（带调研和出处，最贴近知识类）、纪录片蒙太奇（纯开放素材，零成本）、切片工厂（把长视频批量切成短片，效率杠杆最大）。

▶ 它会在关键处停下来问你

上面那些是成片。一句话生成视频你也见过，等十分钟，出来一堆图片在原地放大缩小，配一段电子音念稿，不满意只能重抽。

OpenMontage 不一样的地方在中间：它会把过程摊开给你看，并且停下来等你说话。

七步进度条卡在 script 那一格，右上角写着 AWAITING YOU。

顶上那行琥珀色的字：The script stage is waiting for your review. The agent is paused at this gate — reply in chat to approve or request changes.

它停了。状态是 awaiting your approval，你不回话它就一直等，不会自己往下走。

它交上来的剧本，是一个关于果园的四段：

S1 — AN ORCHARD IN FIRST LIGHTThe trees keep a slower calendar.

S2 — HANDS GRAFTING A BRANCHA graft is a promise to a future you won't see.

S3 — SEASONS BLURRING OVER ONE TREEForty springs in a single trunk.

S4 — FRUIT IN A CHILD'S HANDSomebody planted this for you.

第三句是 Forty springs in a single trunk。四十年春天长在同一个树干里。

这一句不像模型在复述训练数据。「四十年春天长在同一个树干里」，这种具体是有重量的，不是形容词堆出来的。

你回一句「可以」，它才往下走。这是它五道门禁里最硬的那道，人工审批签署。其他四道是交付承诺校验、幻灯片风险评分、渲染后抽帧自检、预算上限。检查点写入器会直接拒绝未签字的「已完成」状态。

五个场景卡、单张成本、右侧决策日志、底部成片播放器。

每张卡标着模型、单张成本、耗时。有几张跑了三次取最好的那版，所以标的是 $0.12 而不是 $0.04。

右边 DECISIONS 面板记着它为什么选 remotion 不选 hyperframes、为什么选 flux 不选 gpt-image-1，每个决策后面带着分数，0.85、0.9。那套七维评分不是写在文档里的，是这里跑出来的。

一条 26 秒、五个场景的片子，走到这一步花了 $0.28。

这三张图放一起，就是它跟「一句话生成视频」的全部差别。除了成片，它还会给你剧本、分镜、每一笔账、每一次选择的理由。这些中间产物恰好是你唯一还能插手的地方。

▶ 七百个文件在教 AI 怎么干活

删掉编排器之后有个新问题：怎么让模型不跑偏。

三层知识，一个编排器。

有什么：一百多个工具，加十二份流水线清单。工具是 Python 文件，继承同一个基类，注册表自动发现，加新的不用手工登记。这一层解决的是「我手上到底有哪些牌」，免得模型假装自己会某件事。

怎么用：Markdown 写的阶段导演技能。这一阶段该问用户什么、该产出什么、什么算合格、常见失败长什么样。

我认为这是整套系统里最像资产的部分，也最难抄。工具谁都能写，但「什么样的转场放在这个位置是错的」这种判断，得真做过片子才写得出来。

为什么：外部技术知识包。遇到没见过的组合时能推理，而不是只能照抄模板。

三层加起来官方说七百多个文件。

顺带说个我核对出来的事：pipeline_defs 目录里其实是十三个 YAML，其中 framework-smoke.yaml 是跑框架自检的，剩下十二个才是生产流水线。README 标题写十二条，表格里只列了十一条，我猜是 character-animation 漏了。这种小账值得自己算一遍。对外说法和仓库内容对不上，通常说明它长得太快。

▶ 0 元、2.5 元、5 元分别买到什么

零美元。Piper 离线配音，Archive.org、NASA、Wikimedia、Pexels 出素材，Remotion 或 HyperFrames 合成，FFmpeg 收尾。成本只有你机器的时间和等待，一般五到二十分钟。

一到两美元。接一两个视频生成模型，画面靠生成，配音还用免费 TTS。官方那个 60 秒皮克斯风格短片花了 1.33 美元。

一到五美元。生成画面加商业 TTS 加音乐加数字人。README 给的参考是一到三美元，官方演示里四美元和五美元那两个案例是因为用了多个模型、重试次数也更多。

有个变量容易被忽略：重试。

一条 60 秒的片子生成三次才满意，成本就是三倍。真正决定成本的不是单价，是你的验收标准有多严。

▶ 装之前，其实不用买 API key

先把最要紧的说清楚：不需要大模型 API key。它的 config.yaml 里留了一个 llm 段，provider 写着 anthropic。我翻遍整个仓库，没有任何一行代码读这个字段，requirements 里也没有 LLM SDK。那个位置是空的。因为你的编程助手就站在那儿。

真正要装的是这四样：

Python 3.10+ Node.js 18+        # Remotion 和 HyperFrames 都跑在 Node 上 FFmpeg 一个 AI 编程助手    # Claude Code / Cursor / Codex / Copilot / Windsurf

然后是 key。这里最容易吓退人：.env.example 里有六十多个空变量，我第一次打开以为自己要破产。其实只填一两个就能跑。

完全不花钱，注册就给

PEXELS_API_KEY、PIXABAY_API_KEY — 免费图库。不填也能跑，只是素材少一些，因为 Archive.org、NASA、Wikimedia 都不需要 keyGOOGLE_API_KEY — 一把钥匙开三样：TTS 七百多个声音（每月一百万字符免费）、Imagen 出图、Veo 出视频ELEVENLABS_API_KEY — 高级配音和音效，每月一万字符免费Piper — 本地离线 TTS，make setup 会顺手装，不要 key

按量付费，先充一点试

FAL_KEY — 性价比最高的一把。FLUX 出图、Kling / Veo / MiniMax 出视频都走它，一张图大约三美分OPENAI_API_KEY — GPT Image 2 加 TTSRUNWAY_API_KEY — 每月十二刀，画质最好那档

国内能直接用的

DASHSCOPE_API_KEY — 阿里通义，出图、TTS、ASR 都齐ARK_API_KEY — 火山方舟，Seedance 直连TENCENT_TOKENHUB_API_KEY — 腾讯混元MINIMAX_API_KEY、KLING_API_KEY — 官方直连，不走 fal 中转DOUBAO_SPEECH_API_KEY — 豆包语音

配乐

SUNO_API_KEY — 整首歌带人声和歌词

我自己的用法是：先一个 key 都不填，跑通一条纯图表的片子，确认环境没问题；再补 FAL_KEY 让画面动起来；配音不满意才去开 ELEVENLABS_API_KEY。

▶ 第一句话说什么

git clone https://github.com/calesthio/OpenMontage.git cd OpenMontage make setup

装完可以先开看板。后面每一步它都会在这里显示：走到哪一步、花了多少钱、为什么选这家供应商。

python -m backlot open

然后在助手里说人话。下面几条是官方提示词库里实测能出片的，按花钱多少排。

不花钱的三条

Make a 45-second animated explainer about why the sky is blue. Use data visualization and animated text — no images needed, just charts, stat cards, and typography.

Create a 60-second data-driven video about coffee consumption around the world. Include bar charts comparing countries and a pie chart of coffee types.

Create a 90-second animated explainer about how Git rebase works. Use animated diagrams and comparison cards to show rebase vs merge. Target audience: junior developers.

第三条最后那半句别删。Target audience: junior developers 一去掉，同样的主题会立刻变成讲给所有人听的白开水，节奏、用词、例子的密度全变。

一块出头的

Create a 30-second Ghibli-style animated video of a magical floating library in the clouds at golden hour. Books drift between shelves, warm light streams through stained glass windows, and a small cat naps on a reading desk.

这条走的不是视频生成，是动画流水线：FLUX 出十二张静图，然后靠多图交叉溶解、镜头推拉、粒子叠加，把静帧做出动画的错觉。三十秒，约 $0.15。

两块五的

Create a cinematic 30-second trailer for a sci-fi concept: humanity receives a warning from 1000 years in the future. Use motion video clips, a cinematic soundtrack, and dramatic title cards.

产出就是开头那六个镜头。

想让结果更接近你要的样子，提示词里得塞进素材来源、调性和限制。对比这两句：

「做一个城市视频。」

「90 秒纪录片式蒙太奇，只用真实素材，无旁白，挽歌调性，讲凌晨四点的城市是什么感觉。」

后一句给了它可以执行的约束，前一句只给了它想象空间。