text2video

输入文本，一键生成带语音和画面的视频

text2video 是一个基于 Python 的文本转视频工具，旨在通过简单的文本输入快速生成包含语音和画面的视频。它利用 edge-tts 将文本转换为自然语音，并结合 stable-diffusion 生成与文本内容相关的图像，最终将这些元素组合成视频。该项目解决了非专业用户制作视频的门槛问题，无需复杂的视频编辑技能，只需输入文本即可获得一个基础视频。核心能力包括文本转语音、文本生成图像、以及音视频合成，支持自定义语音和图像风格。适合快速生成短视频、演示文稿或社交媒体内容，是一个轻量级、易于上手的自动化视频生成方案。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1050

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队bravekingzhang

所属国家

官网地址

GitHubhttps://github.com/bravekingzhang/text2video

定价模式free

价格说明开源项目，MIT许可证，本地部署，完全免费。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型edge-tts,stable-diffusion,text2video

GitHub 星标★ 1050

30天Star增速

HF 下载量

上线时间2023-06-09 00:00:00

最近更新2026-09-19 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 10 分钟部署方式：Docker 6 步

环境要求

开发环境推荐 macOS（其他环境可能存在兼容性问题）
Python 3.10.12
必须安装 ffmpeg（用于音视频合成）
使用 Docker 方式需安装 Docker 与 docker-compose
OpenAI API Key 与 Hugging Face Token 为可选，用于提升绘图质量

安装与启动步骤

1获取项目代码

从 GitHub 克隆仓库到本地并进入项目目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/bravekingzhang/text2video.git
cd text2video
```
2检查 ffmpeg

视频合成声音依赖 ffmpeg，未安装需先自行安装，再执行命令确认已可用。
```
ffmpeg -version
```
3配置密钥文件

在项目根目录新建 .env 文件，写入 OpenAI 与 Hugging Face 相关配置；仅用 pollinations-ai 时可不填 Token。
4Docker 一键启动

在项目根目录执行该命令构建并启动容器，适合不想配置本地 Python 环境的用户。
```
docker-compose up --build
```
5本地安装依赖

采用本地开发方式时，使用 Python 3.10.12 安装 requirements.txt 中的依赖。
```
pip install -r requirements.txt
```
6启动本地服务

在项目目录执行该命令启动应用，启动后在浏览器访问本地 5001 端口页面。
```
python3.10 app.py
```

关键配置

配置项	必填	说明	示例
`OPEN_AI_API_KEY`	否	调用大模型生成 midjourney 类绘图提示词，提升出图质量	`sk-xxxxxxxx`
`OPEN_AI_BASE_URL`	否	OpenAI 接口地址，支持代理或第三方兼容服务	`https://api.moonshot.cn/v1`
`API_TOKEN`	否	Hugging Face 访问令牌，用于调用文生图模型；使用 pollinations-ai 时可留空	`hf_xxxxxxxxxxxxxxxx`

如何确认成功

浏览器打开 http://127.0.0.1:5001/ 能看到页面，输入文本后能生成带画面、字幕和声音的 mp4 视频。

常见问题

Q：必须购买付费 API Key 吗？

A：不必须。README 说明若使用 pollinations-ai 模型，不填写 Hugging Face token 也可以，该模型走 ChatGPT 的 Dalle-2。

Q：Windows 或 Linux 能直接跑吗？

A：README 给出的开发环境为 macOS，并提示其他环境可能存在兼容性问题；建议优先使用 Docker 方式启动。

Q：生成的中文图片效果差怎么办？

A：项目会先用有道翻译把中文转为英文再生成图片；另外配置 OpenAI API Key 生成绘图提示词，可进一步提升出图质量。

Q：生成的视频没有声音？

A：音频合并依赖 ffmpeg，请先执行 ffmpeg -version 确认安装成功，再重新生成视频。

注意事项

本地开发尽量使用 README 指定的 Python 3.10.12 与 macOS 环境
.env 内含密钥，不要提交到公开仓库
服务默认监听 127.0.0.1:5001，被占用时需自行调整
输出视频为 mp4 格式，保存在你指定的本地目录

核心亮点

集成 edge-tts 和 stable-diffusion，实现从文本到语音、图像、视频的全自动流程
代码简洁，依赖少，易于二次开发和集成到其他项目
支持自定义语音和图像参数，可生成个性化视频内容

不足之处

生成视频的分辨率和时长可能受限，不适合专业级制作
文档和社区支持相对薄弱，高级功能需自行探索

适用场景

快速制作短视频用于社交媒体或营销
生成教学演示或产品介绍视频
自动化生成视频内容用于内容农场或批量生产

替代项目

ffmpeg、moviepy、PaddleGAN

项目介绍

text2video 是视频领域的开源项目，由 bravekingzhang 开发，2023 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,050）位列前 30%，在视频分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-19。MIT许可证，本地部署，完全免费。

它主要面向的使用场景是：快速制作短视频用于社交媒体或营销。同类可对比的替代方案包括 ffmpeg、moviepy、PaddleGAN。

上一篇：FateZero

下一篇：PIA