面向内容创作者的 AI 视频全流程迭代流水线
LocalVideo 不仅是一个“生视频”的工具，而是一个可迭代的创作工作台。AI 视频创作不应是“单次调模型出结果”的博弈，而是一个从想法到成片的工业化过程。
LocalVideo 强调项目式编排：你可以把素材库、角色设定、语音配置和各阶段输出保存在同一个项目里，按阶段重跑、替换、复用，实现真正的“精修”与“生产”。
LocalVideo 既具备视频编排能力，也拥有区别于传统工具的独特设计。
这些是构建一条高质量视频的基础，LocalVideo 已经将其串联成自动化流水线：
- 文案与结构化提取： 自动生成文案，并智能提取角色、场景等结构化信息。
- 智能分镜描述： 自动生成细化分镜头 Prompt，精准把控画面节奏。
- 多角色语音合成： 支持多角色对白，自定义角色声线。
- 主线视频引擎 + 本地回退： 默认使用 Seedance 2.0（
kwjm.com兼容火山方案）完成视频生成；当 API 不可用时，可自动切换到本地 Wan2GP。 - 视觉一致性维护： 生成风格一致的首帧图与视频，减少角色“飘移”。
- 自动化合成： 一键完成音画对齐、字幕生成与视频渲染。
- 独有的创作分类法： 针对不同创作逻辑，划分了 “口播文案驱动” 与 “声画驱动”（开发中） 两种模式，深度优化文案类视频的产出效率。
- 全栈本地模型支持： 深度适配本地 GPU 环境。音频、图片与本地视频回退能力均可离线运行，可实现 零 API 成本 与保障隐私。
- 联网搜索与 DeepResearch 上下文： 支持联网搜索、DeepResearch、网页链接解析，并将结果沉淀为项目上下文，方便后续文案生成。
- 外部内容闭环： 内置视频链接解析与下载功能，支持将外部视频素材转化为可编辑的创作输入，实现“外部内容 -> 素材提取 -> 二次创作”的闭环。
- 项目级素材积累： 参考图库、语音库、文本库在项目间通用，让每一次创作都在沉淀数字资产，而非从零开始。
推荐使用 Docker 快速体验完整功能。
# CPU 模式 (主要使用 Seedance 2.0 API)
docker compose --profile cpu up --build
# GPU 模式 (启用 Wan2GP 本地生成模型能力)
docker compose --profile gpu up --build访问地址：前端
http://localhost:3000| 后端http://localhost:8000
要求： Python 3.11+, Node.js 22+, uv, pnpm
- 后端：
cd backend uv sync && uv run alembic upgrade head uv run uvicorn app.main:app --reload --port 8000 # CPU 模式 DEPLOYMENT_PROFILE=gpu uv run uvicorn app.main:app --reload --port 8000 # GPU 模式, 需自行配置 Wan2GP 启动环境
- 前端：
cd frontend pnpm install && pnpm dev
本仓库的开发、迭代、重构与修复默认遵循“分阶段完成即提交并推送”的闭环流程。
- 每个需求都要先拆成符合功能逻辑的阶段。
- 每完成一个阶段，都要先验证，再单独提交，再推送到 GitHub，然后继续下一个阶段。
- 不允许把多个里程碑揉成一次总提交，也不允许停留在“只做计划、不继续执行”的半完成状态。
完整规则见：docs/development-workflow.md
LocalVideo 当前的视频主引擎为 Seedance 2.0，并通过 Wan2GP 提供本地音频、图片与视频回退能力；本地视频最高支持 1080p 分辨率。
使用 Flux 2 Klein 4B + LTX-2 2.3 Distilled 22B 的组合，在使用 RTX 4070 (12GB) 显卡的情况下，1小时即可生成约 60s 1080P 分辨率的视频。
点击展开模型列表
| 模型名 | 参数规模 | 音色能力 |
|---|---|---|
| Qwen3 Base (12Hz) | 1.7B | 参考音频克隆 |
| Qwen3 Custom Voice (12Hz) | 1.7B | 预置音色 |
| Qwen3 Voice Design (12Hz) | 1.7B | 文本指定音色 |
| 模型名 | 参数规模 | 支持模式 | 推理步数 | 中英文 Prompt 支持度 |
|---|---|---|---|---|
| Flux 1 Dev | 12B | T2I | 30 | 英文优先，中文较弱 |
| Flux Schnell | 12B | T2I | 10 | 英文优先，中文较弱 |
| Z-Image Turbo | 6B | T2I | 8 | 中英均衡 |
| Z-Image Base | 6B | T2I | 30 | 中英均衡 |
| Qwen Image | 20B | T2I | 30 | 中文强，英文可用 |
| Qwen Image 2512 Release | 20B | T2I | 30 | 中文强，英文可用 |
| Flux 2 Dev | 32B | T2I / I2I | 30 | 英文优先，中文可用 |
| Flux 2 Dev NVFP4 | 32B | T2I / I2I | 30 | 英文优先，中文可用 |
| pi-FLUX.2 Dev | 32B | T2I / I2I | 4 | 英文优先，中文可用 |
| pi-FLUX.2 Dev NVFP4 | 32B | T2I / I2I | 4 | 英文优先，中文可用 |
| Flux 2 Klein | 4B / 9B | T2I / I2I | 4 | 中英均衡 |
| Flux 2 Klein Base | 4B / 9B | T2I / I2I | 30 | 中英均衡 |
| Flux Dev Kontext | 12B | I2I | 30 | 英文优先，中文较弱 |
| Flux DreamOmni2 | 12B | I2I | 30 | 英文优先，中文较弱 |
| Qwen Image Edit | 20B | T2I / I2I | 30 | 中文强，英文可用 |
| Qwen Image Edit Plus | 20B | T2I / I2I | 30 | 中文强，英文可用 |
| Qwen Image Edit Plus (2509) | 20B | T2I / I2I | 30 | 中文强，英文可用 |
| Qwen Image Edit Plus (2509) Nunchaku FP4 | 20B | T2I / I2I | 4 | 中文强，英文可用 |
| Qwen Image Edit Plus (2511) | 20B | T2I / I2I | 30 | 中文强，英文可用 |
| 模型名 | 参数规模 | 支持模式 | 默认帧率 | 推理步数 | 中英文 Prompt 支持度 |
|---|---|---|---|---|---|
| Wan 2.1 | 1.3B / 14B | T2V / I2V | 16 fps | 30 | 中英均衡 |
| Wan 2.2 | 14B | T2V / I2V | 16 fps | 30 | 中英均衡 |
| Hunyuan 1.5 720p | 8B | T2V / I2V | 24 fps | 30 | 中英均衡 |
| Hunyuan 1.5 480p | 8B | T2V / I2V | 24 fps | 30 | 中英均衡 |
| Fun InP | 1.3B / 14B | I2V | 16 fps | 30 | 中英均衡 |
| LTX-2 2.3 Dev | 22B | T2V / I2V | 24 fps | 30 | 英文优先，中文较弱 |
| LTX-2 2.3 Distilled | 22B | T2V / I2V | 24 fps | 8 | 英文优先，中文较弱 |
说明：部分 Wan2GP 视频模型的名字里会带 480p、720p 这类字样，例如 Hunyuan 1.5 T2V 480p 和 Hunyuan 1.5 T2V 720p。这里的 480p/720p 更接近该模型的默认或原生分辨率，实际能生成的分辨率更加广泛。但不同模型在不同分辨率下的画质、显存占用和稳定性仍会有差异。
- 创建项目： 选择模版（单人叙述/双人播客/台词剧本）。
- 内容输入： 导入上下文，生成文案。
- 角色分配： 从素材库挑选语音和形象参考。
- 迭代生成： 拆解分镜 -> 音频 -> 画面 -> 视频。
- 合成导出： 一键生成带字幕的完整成片。
- ✅ 专业创作者： 需要制作口播、播客、短剧，且对内容有精细控制要求。
- ✅ 本地玩家： 拥有强力 GPU，希望在本地运行全套 AI 视频工作流。
- ✅ 效率专家： 厌倦了在多个 AI 工具间切换，需要一个统一的创作管理平台。
LocalVideo 的部分能力依赖接入优秀的开源项目，感谢这些项目的工作：