"AI 做视频"这件事，过去两年基本是这样一个体验：你给一句话，它给你一段 5 秒、10 秒的片段。看着惊艳，但离"一条能发出去的视频"还差着十万八千里——差剧本、差配音、差字幕、差配乐、差剪辑节奏。而这些恰恰是真正耗时间的部分。

OpenMontage 想解决的就是这后面半段。它是一个开源项目，2026 年 3 月底上线，截至 2026-09-13 已经拿到 57,996 个 Star、7,307 个 Fork，并在 README 里挂着 GitHub Trending 日榜第一的徽章。它的自我定位是"全球首个开源的、代理化（agentic）的视频制作系统"——而它真正的卖点，是它跑在你的 AI 编程助手里。

本文基于项目官方仓库的 README（中英文两版）、配置文件和官方 API 数据写成，所有数字都标了出处和核实日期。文末有参考来源。

先说结论：它不是又一个视频模型，而是编排层

理解 OpenMontage 的关键，是别把它当成"又一个 Sora"。它自己不会生成一帧画面，它的角色是制片厂——决定用什么工具、按什么顺序、花多少钱、以及什么情况下不许交付。

传统 AI 视频工具的产出是"一个片段"；OpenMontage 的产出是"一条完整的、带研究、脚本、配音、字幕、配乐和片尾的成片"。它的工作方式也不一样：

• 你的 AI 编程助手本身就是编排器（官方原话："这里没有代码编排器"）。Python 只负责提供工具和状态持久化。
• 所有的创意决策、质量标准、审查规则都写在可读的 YAML 清单和 Markdown 技能文件里，你能打开、能改、能审计。
• 它兼容 Claude Code、Cursor、GitHub Copilot、Windsurf、Codex——任何能读文件、能跑代码的 AI 编程助手。

还有一个它反复强调的差异点，值得单独拎出来："让静态图片动起来"不等于视频。OpenMontage 当然能基于 AI 生成图像做视频，但它也能走另一条路——从免费免版税的素材库和开源档案（Archive.org、NASA、Wikimedia Commons）里建立语料库，检索真实的动态影像，剪辑到时间线上再渲染。这一步在免费路径上也能做出来，是它比较特别的地方。

一、先把项目底细核实清楚

以下数据取自 GitHub 官方接口，核实时间 2026-09-13：

项目	值
仓库	calesthio/OpenMontage
Star / Fork	57,996 / 7,307
创建时间	2026-03-29
最近推送	2026-09-06
主语言	Python
许可证	GNU AGPL-3.0
未关闭 Issue	321
官网	openmontage.video

关于规模数字，这里要专门说明一下。项目在不同位置的表述并不一致：GitHub 仓库简介写的是"12 条生产流水线、100+ 工具、700+ 智能体技能与制作知识文件"；而 README 正文里写的又是"52 种生产工具、400 多项智能体技能"，架构章节又写"48 个 Python 工具"。

为了不跟着含糊，我用官方 tree 接口把仓库文件实际数了一遍（2026-09-13）：

类别	实测文件数	说明
流水线清单 pipeline_defs/*.yaml	13	其中 12 条是生产流水线，另 1 个是 framework-smoke 冒烟测试
工具 tools/**/*.py	167	含各提供商的适配文件与辅助模块，不等于对外暴露的工具数量
技能 skills/**/*.md	157	Markdown 指令文件
数据契约 schemas/*.json	29	README 架构章节写的是"15 个"
仓库文件总数	2,115	不含 Git 对象

所以"12 条生产流水线"这个数字是站得住的（13 个清单文件减掉 1 个测试用），但工具数和技能数在不同文档里口径不一，我不替它挑一个来用。你如果要在正式场合引用具体数字，建议自己跑一遍上面那个 tree 接口，或者直接看仓库。

二、12 条流水线：它到底能拍什么

每条流水线都是一个从创意到成片的完整工作流。官方列了 12 条：

流水线	产出	适合场景
动画解说 Animated Explainer	含研究、旁白、视觉、音乐的 AI 解说	教育内容、教程、主题解析
动画 Animation	动态图形、动态排版、动画序列	社交媒体、产品演示、抽象概念
化身代言 Avatar Spokesperson	数字人驱动的演讲视频	企业通讯、培训、公告
电影级 Cinematic	预告片、前导片、情绪剪辑	品牌宣传、促销
片段工厂 Clip Factory	从一条长素材批量切出排序后的短视频	长内容重制成社交短片
纪录片蒙太奇 Documentary Montage	从免费影像库与开放档案剪辑出的主题蒙太奇	视频随笔、情绪短片、纯真实素材且不花视频 API 钱
混合 Hybrid	源素材 + AI 生成辅助视觉	给已有画面加图形
本地化与配音 Localization & Dub	给现有视频加字幕、配音、翻译	多语言分发
播客重制 Podcast Repurpose	把播客精彩片段变成视频	播客营销
屏幕演示 Screen Demo	打磨过的软件录屏演示	产品演示、文档
口播 Talking Head	真人出镜为主的演讲视频	演示、vlog、访谈
角色动画 Character Animation	SVG 绑定 + GSAP 的卡通角色表演	卡通短片

12 条流水线共用同一套结构化流程：

研究 → 提案 → 脚本 → 场景规划 → 资产生成 → 剪辑 → 合成

每个阶段都配一份专门的导演技能（一个 Markdown 文件），告诉智能体这个阶段该怎么干。智能体读技能、用工具、自我审查、在关键点存档、在创意决策处停下来等你批准。

其中一个设计我觉得挺关键：网络研究是一等公民。在写下第一句脚本之前，智能体会去搜 YouTube、Reddit、Hacker News、新闻站和学术资源，把数据点、受众问题、热门角度、视觉参考整理成一份结构化的研究简报。官方说法是每个视频会做 15–25 次网络检索。这一步直接决定了成片会不会是"一本正经地胡说八道"。

三、上手：三步跑起来

3.1 前置条件

• Python 3.10+
• FFmpeg（brew install ffmpeg / sudo apt install ffmpeg / 官网下载）
• Node.js 18+（用 Remotion 渲染时需要 22+）
• 一款 AI 编程助手：Claude Code、Cursor、Copilot、Windsurf 或 Codex

3.2 安装

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

没有 make 也没关系，官方给了等价命令。Windows PowerShell 下是：

py -3 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r requirements.txt
cd remotion-composer
npm install
cd ..
python -m pip install piper-tts
Copy-Item .env.example .env

Windows 用户注意一个已知坑：如果 npm install 报 ERR_INVALID_ARG_TYPE，改用 npx --yes npm install。这条是官方 README 里直接写明的。

3.3 在 AI 编程助手里发指令

用你的编程助手打开这个项目目录，然后直接用大白话说需求：

制作一个 60 秒的动画解说视频，讲解神经网络是如何学习的

想要真实素材路线，就说得更具体：

制作一部 75 秒的纪录片蒙太奇，展现雨中的城市生活。只使用真实素材，无旁白，需要一种挽歌般的基调和配乐。

接下来智能体会自己去检索资料、生成或抓取素材、写脚本配音、找免版税配乐、烧录词级字幕、渲染成片。在给你看之前，它会先自己过一遍检查：ffprobe 验证、抽帧看有没有黑屏、音频电平分析、交付承诺核对、字幕检查。

3.4 零 API 密钥也能出片

这是我觉得最值得试的一点：不花一分钱也能做出真正的视频。 make setup 之后开箱即用的免费能力包括：

能力	免费工具
旁白配音	Piper TTS（完全离线）
开源影像素材	Archive.org、NASA、Wikimedia Commons
额外素材库	Pexels、Unsplash、Pixabay（开发者密钥免费申请）
React 合成	Remotion（图片场景、文字卡片、数据卡片、逐词字幕、数字人）
HTML/GSAP 合成	HyperFrames（动态排版、网站转视频、SVG 角色动画）
后期制作	FFmpeg（编码、字幕烧录、混音、调色）
字幕	内置词级时间轴生成

想走这条路，提示词里要明确要求做纪录片蒙太奇、音画诗或素材库拼贴，并写清"只使用真实素材"。

四、要花钱的路径：从 0.15 美元到 3 美元

API 密钥是可选的，加得越多能用的工具越多。官方给出的成本区间如下（以下均为项目自述，来自其官方 README 与演示视频说明）：

配置	典型成本	说明
零密钥	0	Piper TTS + 免费素材 + Remotion/FFmpeg
仅图像生成	约 0.15 美元	如 12 张 FLUX 图像做一部吉卜力风格短片
图像/视频都配	约 0.15–1.50 美元	加入视频生成提供商
完整配置	约 1–3 美元	电影级预告片等

官方展示的几个成本样本：一部只用 OpenAI 一个密钥的产品广告 0.69 美元；一部 12 张 FLUX 图像的吉卜力风格动画 0.15 美元；一部用 6 个 Kling v3 片段的 60 秒皮克斯风格短片 1.33 美元。

这些数字请在动手前当作参考，不要当预算依据——真实开销取决于你选的提供商、视频长度和重试次数。

4.1 它内建了预算控制

配置文件 config.yaml 里有一个 budget 段落，默认值如下：

budget:
  mode: warn                     # observe | warn | cap
  total_usd: 10.00
  reserve_pct: 0.10              # 预留 10% 给重试和清理
  single_action_approval_usd: 0.50
  require_approval_for_new_paid_tool: true

也就是说：总预算默认封顶 10 美元；单次操作超过 0.50 美元会暂停等你确认；首次使用某个付费工具也要你点头。执行前先估算、调用前锁定资金、事后结算实际开销——"没有意外账单"是它明确的设计目标。

4.2 支持的提供商（部分）

• 视频生成 15 家：Kling、Seedance 2.0（火山方舟直连）、Runway Gen-4、Google Veo 3、Grok Imagine Video、MiniMax、HeyGen，以及本地免费 WAN 2.1 / 混元 / CogVideo / LTX-Video，另有 Pexels、Pixabay、Wikimedia 素材库。
• 图像 10 种：FLUX、Google Imagen、Grok Imagine Image、GPT Image 2、Recraft，本地 Stable Diffusion，以及 ManimCE（数学动画）。
• TTS 4 家：ElevenLabs、Google TTS（700+ 音色、50+ 语言）、OpenAI TTS、Piper（本地免费）。
• 音乐音效：Suno AI、ElevenLabs Music、ElevenLabs SFX。
• 增强分析：Real-ESRGAN 放大、rembg 抠图、CodeFormer/GFPGAN 人脸修复、WhisperX 词级转录、CLIP/BLIP-2 画面理解。

五、它凭什么比"一键生成"靠谱

如果只是把一堆 API 串起来，这个项目不会有 5.8 万 Star。真正让它区别于"提示词乱炖"的是三件事：

5.1 用 7 个维度给提供商打分

所有工具选择（视频生成、图像、TTS、音乐）都要过一遍评分引擎，权重是：任务契合度 30%、输出质量 20%、控制功能 15%、可靠性 15%、成本效益 10%、延迟 5%、连续性 5%。获胜的提供商、得分、以及所有被考虑过的备选方案，都会记进决策日志。

还有个细节挺实用：如果你只知道"要一个皮克斯风格的、角色一致的动画短片"这种模糊简报，选择器会先把它展开成便于打分的意图和风格信号，不需要你提前写出结构完美的任务描述。

5.2 三道质量关卡

• 合成前验证：如果违反了交付承诺，就阻止渲染。官方举的例子很直白——一部宣称"以运动为主"的视频，结果 80% 是静态图片，这种计划在浪费 GPU 之前就被拦下来。
• PPT 风险评分：6 个维度检测（重复性、装饰性视觉、运动幅度弱、镜头意图、过度依赖排版、无法支撑的电影级宣称），专门防"带动画的 PPT"。
• 渲染后自我审查：ffprobe 验证 + 4 个位置抽帧查黑屏和破图 + 音频电平查静音和削峰 + 交付承诺核对 + 字幕检查。审查不通过，视频不会给你看。

5.3 每一个决定都可追溯

提供商选择、风格选择、音乐曲目、音色、渲染器族系，以及任何降级方案，都会连同伴选项、置信度和推理过程一起记录下来，跨阶段持久保存。所以你能回答"这条片子为什么最后长这样"这个问题。

六、上手前该知道的几个坑

• 文档里的规模数字口径不一。如第一章所述，工具数在不同位置是 48 / 52 / 100+ 三种说法，技能数是 400+ / 700+ 两种。功能不受影响，但你引用数字时要么自己数，要么注明出处。
• 项目很年轻，迭代很快。2026 年 3 月底创建，5 个多月跑了 57,996 Star，同时积压了 321 个未关闭 Issue。默认分支 2026-09-06 还有推送，API 和目录结构随时可能变。用之前先看一眼 Issue 区里有没有你踩的那类问题。
• AGPL-3.0 不是随便用。这是"传染性"最强的开源协议之一：如果你修改了它并把它作为网络服务提供给别人用，你必须把修改后的源码也以 AGPL 开放。自己本地用来做视频没问题；打算做成 SaaS 要先想清楚。
• 依赖链不算轻。Python + Node + FFmpeg 三套运行时都得装好，还要 npm install 一次 Remotion 的依赖。这是"完整的制作流水线"必然的代价。
• 成本数字都是官方自述。0.15 美元、0.69 美元、1.33 美元这些来自项目自己的演示说明，没有第三方核对。第一次跑建议把 budget.mode 设成 cap，先小成本试一条 30 秒的。
• "全本地、不联网"还没实现。官方明确说本地 LLM 支持（Ollama / LM Studio）是"即将推出"。目前编排还是靠云端 AI 编程助手。

七、适合谁，不适合谁

值得试：已经习惯用 Claude Code / Cursor 写代码的人；需要批量产出教育解说、产品演示、播客切片的内容团队；想用免费素材做纪录片式短片、又不想付视频生成 API 钱的人；以及想研究"agentic 工作流怎么编排"这个题目的开发者——它把 YAML 清单 + Markdown 技能 + 状态检查点这套模式做得很完整，本身就是一个不错的参考样本。

可以再等等：只想一句话出片、不想碰命令行和 API 密钥的人；需要生产级 SLA 的商业项目；以及特别在意许可证传染性的团队。

一句话总结

OpenMontage 的价值不在于"生成得多好"，而在于它把 AI 视频从"抽卡出片段"推进到了"可编排、可审计、有质量门槛的制作流程"——而且用免费素材 + 本地 TTS 这条路径，不花一分钱也能做出真正剪辑过的成片。它是目前少有的、把"制片厂"而不是"模型"当作产品形态的开源项目。

参考来源

• OpenMontage 官方仓库 README（中文版 README_zh-CN.md 与英文版 README.md）：项目定位、流水线清单、成本样本、提供商列表、制作治理机制、许可说明。核实日期 2026-09-13。
• GitHub 官方接口：仓库元数据（Star 57,996 / Fork 7,307 / 创建 2026-03-29 / AGPL-3.0 / Python）与 full tree 文件清单（2,115 个文件、13 个流水线清单、167 个 tools Python 文件、157 个 skills Markdown 文件、29 个 JSON Schema）。核实日期 2026-09-13。
• 仓库内 config.yaml：预算控制默认参数。requirements.txt：运行时依赖。

说明：本文为工具介绍与上手教程。文中标注为"项目自述"的数据（成本样本、性能描述）来自项目官方文档，未经第三方验证；实际效果与开销请以你自己跑出来的结果为准。