3 分鐘產出第一支短影音：Pixelle-Video 極速上手指南

前言：為什麼「3 分鐘」這件事值得認真看待

在前兩篇文章裡，我們談過 Pixelle-Video 把一支商業短影音的成本從數千元壓到接近零，也拆解過它「腳本 → 圖像 → 語音 → 配樂 → 合成」的自動化管線。今天這一篇是真正動手的環節：怎麼在最短時間內，從一台普通電腦上跑出第一支可以發佈的短影音。

本文原刊於 2026 年 5 月，2026 年 9 月重新查核更新：修正專案歸屬、更新模型與版本資訊、補上官方實際安裝參數。

為什麼要強調「3 分鐘」？因為對多數台灣中小企業的行銷人員與一人公司老闆來說，工具的學習曲線才是最大的隱形成本。同一件事如果手動來做，寫劇本、生圖、配音、剪輯得一段一段處理，往往要花掉幾十分鐘；Pixelle-Video 把這些步驟串成一條自動化管線，官方標榜從輸入主題到成品約三分鐘。這個差距，決定了你是「偶爾做一支」還是「每天量產三支」。

「真正讓中小企業卻步的，從來不是 AI 算不算得出來，而是要不要為了一支影片去學一套全新的軟體。Pixelle-Video 的價值，是把『學會它』這件事也壓縮到幾分鐘。」

這篇文章會用最務實的順序帶你走一遍：先決定安裝方式，再完成最少必要設定（LLM 與影像生成），接著跑第一支影片，最後處理輸出與新手最常踩的坑。如果你過去成功裝過其他 AI 工具，例如照著零基礎安裝 seomachine那篇做完整套流程，那這次會更輕鬆；如果完全沒經驗，也沒關係，Windows 一鍵包就是為你準備的。

兩種安裝方式：Windows 一鍵包 vs 從原始碼安裝（macOS / Linux）

Pixelle-Video 由阿里巴巴國際數字商業集團旗下的 AI 團隊開源，專案在 GitHub 上原本掛在 AIDC-AI 組織底下，2026 年該組織更名為 ATH-MaaS，舊網址會自動轉址，所以你在瀏覽器上看到 ATH-MaaS 是正常的。工具本身基於 ComfyUI 架構，整合了 LLM 腳本生成、TTS 語音合成與 AI 影像生成模型，採 Apache 2.0 授權。安裝路徑除了下面這兩種，官方 repo 也附了 Dockerfile 與 docker-compose.yml，習慣容器化的人可以直接走 Docker。

方式一：Windows All-in-One Package（一鍵整合包）

這是官方主推的方式，也是本篇的主角。整合包最大的好處，是不需要事先安裝 Python、uv、ffmpeg，這三樣東西在過去常常是新手卡關的源頭。下載、解壓、雙擊 start.bat，環境就備齊了，瀏覽器會自動打開 http://localhost:8501。對沒有開發背景的行銷人員、電商賣家、知識型創作者來說，這條路幾乎沒有門檻。

方式二：從原始碼安裝（macOS / Linux 或想自訂的進階用戶）

如果你用 macOS 或 Linux，或者你是想深度客製化 ComfyUI 工作流的進階玩家，就走原始碼安裝。官方流程大致是：用 git 取得專案、安裝 uv（官方推薦的套件管理器）與 ffmpeg、在專案目錄執行 uv run streamlit run web/app.py 啟動服務，介面同樣開在 http://localhost:8501。這條路彈性最大，可以自由替換底層的 LLM、TTS 與影像模型，但你得自己處理環境問題。這個取捨，跟我們在DeerFlow 2.0 實戰安裝指南裡談過的「一鍵 vs 原始碼」邏輯是一樣的。

「我們給台灣中小企業客戶的建議很簡單：先用一鍵包跑出三支影片、確認這個工具真的進得了你的工作流，再考慮要不要動原始碼。先驗證，再投資時間。」

Windows 用戶：下載 → 解壓 → 執行 start.bat，三步完成

這一段把 Windows 一鍵包的流程拆成最小步驟。請準備：一台 Windows 10/11 的電腦、約 10～20 GB 的可用磁碟空間（模型快取會慢慢長大）、穩定的網路。如果你打算用本地影像生成，最好有一張 NVIDIA 顯示卡：官方建議至少 6 GB 顯存，足以跑基本的圖像工作流；要玩圖生影片或數位人這類較重的流程，實務上建議 12 GB 以上，或直接改用雲端的 48 GB 機器，後面會細談。

第 1 步：下載與解壓

到 Pixelle-Video 的官方發佈頁取得 Windows All-in-One Package 壓縮檔，下載後解壓到一個路徑不含中文、不含空白的資料夾，例如 D:\pixelle-video。這一點非常重要：很多新手卡在啟動失敗，原因就是把整個資料夾放在「桌面」或「我的文件」這種帶中文與空白的路徑底下，導致內部腳本找不到檔案。

第 2 步：執行 start.bat

進到解壓後的資料夾，找到 start.bat，雙擊執行。第一次啟動時，整合包會做一些初始化工作（解開內建的 Python 環境、檢查 ffmpeg、準備必要目錄），這個過程會開一個黑色命令列視窗，請不要關掉它，這個視窗就是服務本體，關掉等於關掉程式。等它跑完初始化，瀏覽器會自動打開官方預設的本機網址 http://localhost:8501。

第 3 步：確認介面開起來

瀏覽器出現 Pixelle-Video 的操作介面，就代表安裝完成了。如果瀏覽器沒自動跳出，手動把命令列視窗裡顯示的網址（官方預設是 http://localhost:8501）複製到瀏覽器就行。到這裡，安裝結束，接下來都是設定與使用。

系統設定：LLM API 設定（推薦通義千問，性價比最高）

裝好之後，第一個要設定的是負責寫腳本與分鏡的 LLM。官方的快速選擇預設列出通義千問、GPT、DeepSeek，也可以手動填 Base URL 與模型名稱接自家服務，或改用完全離線的 Ollama。這裡有兩件事要提醒：第一，模型選單會隨專案更新變動，實際以你安裝版本的設定頁為準；第二，如果你打算用 OpenAI，舊型號已經所剩時間不多。GPT-4、GPT-4o、GPT-3.5 Turbo 這一整批型號，OpenAI 已公告在 2026 年 10 月 23 日自 API 關閉，官方建議的接手型號是 GPT-5.6 系列（Sol、Terra、Luna）。DeepSeek 方面，現行 API 型號是 deepseek-flash，對應 2026 年 9 月發布的 V4.1 Flash，V3 世代已屬舊版。

為什麼推薦通義千問

官方在費用說明裡寫得很直接：用通義千問當 LLM，產出一支約 3 個分鏡的影片，文字生成成本大約人民幣 0.01～0.05 元。做一百支影片的腳本費用也還在個位數人民幣，對台灣中小企業而言，這個量級的支出基本可以忽略。通義千問系列在中文語境的表現在開源模型裡一向評價不錯，也是官方點名的性價比選項。

想完全免費？用 Ollama 本地模型

如果你連這點錢都不想花，或是基於資料隱私考量不想把內容送上雲端，可以走官方說的「完全免費方案」：LLM 用 Ollama 在本機跑，影像用本地 ComfyUI 產生，整條管線不對外連線、不產生 API 費用。代價是本地跑模型吃硬體，速度與品質取決於你的機器。這個「離線部署、資料不出公司網域」的思路，跟我們先前介紹過的多種私有化方案一脈相承。

「成本結構決定使用頻率。當一支影片的 AI 費用是『以分計』的幾美分，行銷團隊就會從『要不要做這支』改成『這週做幾支』，這才是 Pixelle-Video 對中小企業真正的解放。」

設定 API Key 時有兩個小提醒：第一，Key 貼進去前先確認沒有多餘的空白或換行；第二，建議先用最便宜的模型把整條流程跑通，確認沒問題後再決定要不要換更貴的模型來提升腳本品質。先求有，再求好。

影像生成設定：本地 ComfyUI（推薦有 GPU 的用戶）或雲端

LLM 是「腦」，影像生成就是「手」。Pixelle-Video 基於 ComfyUI 架構，畫面素材可以用本地 ComfyUI 產生，也可以接雲端服務。這是整個設定裡硬體門檻最高的一段，也是新手最容易誤判的地方。

選項一：本地 ComfyUI（有 GPU 的人首選）

如果你的電腦有一張 NVIDIA 顯示卡（官方建議 6 GB 顯存起跳），那本地 ComfyUI 是最划算的：素材生成不花 API 錢、資料不外流，預設的圖像工作流 image_flux.json 走 FLUX 模型，官方也支援 WAN 2.1 這類影片模型與 Nano Banana。顯存越大，能跑的工作流越重，要玩圖生影片或數位人，12 GB 以上會順暢得多，再上去就是雲端的 48 GB 規格。本地 ComfyUI 要另外安裝（官方安裝文件有完整步驟），裝好後在設定頁填入 ComfyUI 位址（預設 http://127.0.0.1:8188）並按「測試連線」確認服務可用。

選項二：雲端影像生成（沒有強力 GPU 的人）

沒有顯示卡、或顯存不夠的筆電用戶，就走雲端：官方支援 RunningHub 這類遠端 ComfyUI 環境（最高可調用 48 GB 顯存的機器），也可以改用直連 API 的媒體模型，設定頁能填 OpenAI／GPT Image、DashScope／通義萬象、Volcengine ARK／Seedream／Seedance、Kling 等供應商的金鑰。好處是不挑硬體、隨開隨用；代價是每張圖或每段影片都會產生費用，官方沒有給固定單價，長期量產前建議先用小額額度實測，把每支影片的雲端成本算出來。

「我們看過太多客戶一開始硬要本地跑、結果筆電顯存不夠卡到崩潰。建議很直接：手上有獨立顯卡就本地，沒有就先用雲端把流程跑順，等確定要規模化，再添購硬體不遲。」

第一次使用：輸入主題 → 選擇模板 → 點擊生成

設定都完成後，真正令人興奮的部分來了。Pixelle-Video 的核心工作流被簡化成三個動作，這也是「3 分鐘產出第一支短影音」這句話的底氣所在。

第 1 步：輸入一句話主題

在主介面的輸入框，打一句話的主題就好，例如「AI 改變生活的 5 個方式」或「我們家手工皂的三個賣點」。系統會自動呼叫你設定好的 LLM，把這句話展開成完整的分鏡腳本，每個場景該講什麼、配什麼畫面、節奏怎麼走。這一步是整支影片的靈魂，建議主題寫得具體一點，給 AI 的方向越清楚，腳本就越貼題。官方也支援「固定文案內容」模式，你已經有現成文案時可以跳過 AI 創作，直接進入生成。

第 2 步：選擇模板與風格配置

接著做風格配置：選比例（9:16 直式給 IG Reels、TikTok、YouTube Shorts；16:9 橫式給 YouTube；1:1 方形給部分版位）、選配音音色、選視覺風格（靜態圖片切換，或動態的圖生影片效果）。官方模板以檔名前綴區分：static_ 是純文字樣式、image_ 用 AI 生成的圖片當背景、video_ 用生成的影片當背景，介面上會按尺寸分組顯示。新手第一次就照預設或挑一個順眼的模板即可，不用一開始就糾結每個參數。

第 3 步：點擊生成

按下生成，介面會依序顯示「生成文案、生成配圖、合成語音、合成影片」的進度，最後輸出一支 MP4，檔案存在專案的 output/ 資料夾。整個過程通常在幾分鐘內完成，實際時間取決於分鏡數量、網路狀況與 AI 推論速度，這是官方 FAQ 的說明。第一次看著進度條一路跑到成品出現，那種「原來真的這麼快」的感覺，就是 Pixelle-Video 想給你的第一印象。

「短影音是目前觸及與互動表現最好的內容格式，平台演算法明顯偏好它，這是做行銷的人都感受到的事實。但前提是你做得出來、而且做得夠頻繁，Pixelle-Video 把『做得出來』和『做得夠頻繁』這兩件事一次解決。」

輸出成果：如何下載、預覽、替換素材

第一支影片跑完了，接下來談怎麼處理它。Pixelle-Video 的輸出環節設計得相當友善，不是「生完就只能接受」的黑盒子。

下載與預覽

生成完成後，介面上會出現可預覽的影片播放器，直接在瀏覽器裡看一遍成品，同時顯示影片時長、檔案大小與分鏡數。確認沒問題就下載，MP4 檔會在 output/ 資料夾，或是瀏覽器的下載位置。建議養成習慣：每支影片生成後先看完整一遍，確認配音念對了、字幕沒跑版、畫面沒怪東西，再排上發佈時程。

替換素材：你不是只能接受 AI 的第一版

這是 Pixelle-Video 比一般純文生影片工具強的地方：它支援對分鏡腳本的手動干預。如果某個場景的畫面不滿意，可以重新生成那一格；如果某句旁白想改字，可以改腳本再重跑配音；如果想換背景音樂、換字幕樣式，也都能在工作流裡調整。這種「原子化控制」讓你能用 AI 的速度打底，再用人的判斷收尾，兼顧效率與品質。

新手常見錯誤與修正方式

最後這一段，把我們協助台灣中小企業導入時最常遇到的卡關點整理出來。先看過這張表，至少能少踩八成的坑。如果想要更系統性的問題排查，本系列另有從安裝到輸出的常見障礙一篇可以延伸閱讀。

「八成的『裝不起來』其實是路徑和防毒問題，八成的『生不出來』其實是 API Key 和顯存問題。把這兩組各兩件事處理好，Pixelle-Video 的新手期就過了。」

順手補充：和競品比，它的定位

如果你還在猶豫該不該花這個下午學它，這張快速對照可以幫你定位。Pixelle-Video 不是要取代 Sora、Kling 那種純生成模型，也不是 HeyGen 那種專攻人物口播的工具，它是一條「腳本到成品」的全自動開源管線，最大優勢是成本、隱私（可完全離線）與對分鏡的精準控制。

另外要留意 API 的生命週期：OpenAI 已經公告 Sora 2 系列模型與 Videos API 在 2026 年 9 月 24 日退役，而且沒有指定替代模型。純生成模型的價格與服務條款變動速度比開源專案快得多，這也是我們建議中小企業把「能不能自己部署」放進評估清單的原因。至於市場規模，各家研究機構的統計口徑差距很大，我們傾向不引用單一數字；對中小企業來說，真正該看的是你自己每個月要產出幾支、每支花多少錢。想理解它底層怎麼運作的，可以回頭看本系列的從腳本到成品：Pixelle-Video 背後的 AI 影像生成管線；想重溫它能幫中小企業省多少錢，則可參考AI 短影音製作成本從數千元降到接近零：Pixelle-Video 完全解析。

替代方案有限公司觀點：把「上手」當成一種能力來培養

在替代方案有限公司協助台灣中小企業導入 AI 工具的經驗裡，我們發現一個反覆出現的模式：工具本身越來越強、越來越便宜，但企業內部「能不能在一個下午內把它跑起來」這件事，差距反而越拉越大。Pixelle-Video 的 Windows 一鍵包、一句話生成、可替換素材的設計，正是在對抗這個門檻：它把技術難度壓低，剩下的就看團隊願不願意花那 3 分鐘踏出第一步。

我們給客戶的具體建議是：先用「通義千問 LLM 加本地或雲端 ComfyUI 影像生成」這個低風險組合，在一週內產出十支不同主題的測試影片，量出你們團隊真實的產能與品質基準；確認它進得了行銷工作流之後，再評估要不要投資 GPU 走完全免費的本地方案、或動原始碼做深度客製。先驗證、再投資，永遠比一開始就追求完美設定划算。

更重要的是心態：不要把 Pixelle-Video 當成「一次性做支影片」的工具，而是當成「每天能穩定產出三支短影音」的生產線。當單支成本以美分計、產出時間以分鐘計，行銷的瓶頸就從「製作」轉移到「策略」：你該煩惱的不再是怎麼把影片做出來，而是這週要講哪三個主題、用什麼角度打中台灣的受眾。這個轉變，才是 AI 短影音工具對中小企業最大的價值。如果你需要把這條生產線跟既有的網站與行銷流程整併，歡迎參考我們關於企業導入 AI Agent 的內容，或直接找替代方案團隊聊聊你們的場景。

下一篇，我們會把 Pixelle-Video 放進 2026 年 AI 影片生成工具的競技場，跟 Sora、Kling、HeyGen 正面對比，幫你判斷它到底適合誰、不適合誰，完整比較請看2026 年 AI 影片生成工具大評比。但在那之前，先去把 start.bat 點下去，跑出你的第一支短影音吧。三分鐘而已。