做短视频的创作者，几乎都踩过这几个坑：

在线AI工具要上传全部文案、素材，敏感内容担心泄露；

剪映、各类SaaS平台有导出次数、水印、付费额度限制；

写一段语录，要分软件找背景图、AI配音、手动调字幕、加BGM，来回切换软件半小时起步；

批量做情感语录、知识口播、中老年短视频，重复操作耗光时间。

今天给大家拆解一款2026年全新升级的本地开源短视频工具 AI Media Assistant（原项目ai_caption_video）。

全程在电脑本地运行，所有文案、图片、视频只存在你的硬盘，不上传任何云端服务器；网页可视化操作，不用精通剪辑，输入多行文字，自动匹配画面、配音、字幕、背景音乐，一键导出完整MP4，兼顾小白易用性与专业开发者二次开发能力。

一、核心优势：它和线上剪辑工具最大的区别

1. 100%本地离线运行，数据完全可控

绝大多数AI视频工具是云端SaaS，你的原创文案、未发布素材、商业脚本都会上传第三方服务器，存在隐私、版权风险。

AI Media Assistant默认仅监听本地地址127.0.0.1，所有素材、项目缓存、生成视频全部保存在本机文件夹，无任何数据外传，适合：

做私密语录、企业内部培训视频；

产出原创独家内容，不想素材泄露；

政企、教育从业者，有数据不出本地合规需求。

2. 一站式全链路，不用多软件来回切换

传统图文转视频流程：写文案→找背景图→打开配音工具生成语音→剪辑软件导入素材、调字幕、加背景音乐、渲染导出。

这款工具把整套流程整合在一个浏览器网页里，单页面完成全部操作，无需切换软件。

3. 完全开源免费，无水印、无导出次数限制

MIT开源协议，个人、商用均可免费使用，没有在线工具的会员、额度、强制水印套路；支持Windows/macOS双系统，家用电脑就能部署。

二、开箱即用全功能，覆盖90%自媒体短视频场景

1. 多行文案精细化管理，逐句独立编辑

左侧文案栏支持分段录入，每一行文字单独作为一个视频片段，系统用UUID绑定对应配图、字幕样式、配音时长：

新建、复制、删除项目，自动保存所有编辑进度；

一键标记文案重点词，字幕自动高亮突出；

单句修改、替换图片、重配语音，不用整体重新渲染。

2. 多套成熟字幕模板，适配各类短视频风格

内置现成模板库，开箱即用无需手动调参数：

情感大字模板：适合人生语录、读书感悟、中老年短视频；

古风模板：国风文案、诗词、传统文化内容；

滚动队列字幕：知识科普、资讯解说；

支持自定义字号、颜色、描边、排版，浏览器预览和最终导出视频字幕效果完全一致，不会出现预览和成片错位。

3. AI智能自动配图，内置海量本地素材库

工具自带本地资源包，不用联网搜图：

情感风景、古风、人文、老年向背景图库；

自动匹配每行文案情绪分配图片，同项目不会重复配图；

支持手动上传自定义图片、替换单片段背景，自由度拉满。

4. 双大模型TTS配音，音色自然可控

集成两套主流本地语音模型，全部离线推理，无需调用第三方语音API：

OmniVoice、Qwen3‑TTS双引擎可选；

支持参考音频复刻音色、调节语速、切换男女声；

配音任务由后台独立进程处理，渲染时不卡顿网页操作。

5. 背景音乐系统，音量自动避让人声

内置免费商用BGM曲库，支持三种使用方式：

随机匹配情绪背景音乐；

手动上传自己的音频文件；

调节BGM音量，生成视频时自动压低背景音乐，保证人声清晰。

6. 后台异步渲染，任务可视化管理

TTS配音、视频渲染全部交给Worker后台进程，渲染期间可以继续编辑新项目：

实时查看任务进度、随时取消、失败一键重试；

渲染完成直接在网页预览，一键下载高清MP4；

所有输出视频统一归档在本地output文件夹，方便批量导出。

三、清晰模块化技术架构，专业开发者友好

项目采用前后端分离架构，代码分层清晰，便于二次开发、自定义改造：

apps/├─ web/ 前端页面：React+TS+Vite，可视化操作面板└─ api/ 后端接口：FastAPI，负责项目、素材、任务管理workers/└─ render_worker/ 独立后台进程，处理配音、视频渲染，不阻塞前端packages/media_core/ 音视频核心引擎：字幕排版、TTS桥接、FFmpeg合成storage/ 本地存储目录├─ resources/ 内置背景图、字体、BGM、音色素材├─ projects/ SQLite数据库，保存所有文案、项目配置├─ uploads/ 用户上传自定义图片、音频└─ outputs/ 最终导出的成片视频

底层基于FFmpeg完成视频拼接、字幕封装，解决音画同步、分辨率裁切等常见剪辑难题，仓库配套完整开发文档。

四、双系统一键部署教程，小白也能跑起来

硬件&环境基础要求

系统：Windows10/11 或 macOS

Python3.11+、Node.js20+、FFmpeg（加入系统环境变量）

语音模型需自行下载，放置项目models文件夹，Windows与Mac模型包不通用

Windows启动步骤

1. 下载Release压缩包解压到本地文件夹；
2. 文件夹内打开PowerShell，执行初始化脚本：

powershell -ExecutionPolicy Bypass -File scripts\setup_windows.ps1

3. 后续启动直接运行：

powershell -ExecutionPolicy Bypass -File scripts\start_windows.ps1

4. 浏览器打开地址：http://127.0.0.1:8123

macOS启动步骤

1. 解压安装包，终端赋予脚本权限：
   chmod +x scripts/setup_macos.sh scripts/start_macos.sh./scripts/setup_macos.sh

2. 日常启动：
   ./scripts/start_macos.sh

3. 访问网页端：http://127.0.0.1:8123

部署完成后打开网页，直接输入文案就能开始创作，仓库docs文件夹内置完整用户使用手册，遇到问题可查阅。

五、适合哪些创作者落地使用？

情感语录/读书博主

批量产出人生感悟、金句短视频，内置风景、古风素材+大字字幕模板，10分钟产出多条成片。

知识、财经、教育自媒体

不用真人出镜，文字转口播视频，搭配清晰字幕，适合科普、课程短视频。

中老年、人文国风账号

专属古风、怀旧背景图库，适配中老年用户审美，批量起号降低创作成本。

企业市场/内部培训

本地离线处理内部文案，数据不外流，低成本制作产品介绍、内部教学短片。

程序员、AI工具二次开发者

完整开源工程，可基于FastAPI接口对接自有工作流，自定义素材、配音、渲染逻辑。

六、总结：本地AI视频工具的最优开源选择

目前市面上图文转视频工具分两类：

一类是云端SaaS，操作简单但有隐私、付费、水印限制；

另一类是本地工具，但大多只有命令行，无可视化网页，新手门槛极高。

AI Media Assistant完美折中：浏览器可视化操作+全本地离线渲染+完整开源架构，普通人不用懂代码就能批量做短视频，开发者可自由修改底层逻辑。

从一段文字到带配音、字幕、背景音乐的完整MP4，全流程本地闭环，兼顾效率、隐私与免费商用，做短视频矩阵、批量产出内容的创作者值得上手部署。

开源项目地址：https://github.com/alexchan197611/ai_media_assistant