字节笔记本
2026年10月5日 · 约 15 分钟读完
OpenMontage 深度实操：怎么用、原理与费用全算
把需求丢给 AI 编程助手，等它跑完就能拿到一条成片，成本可能不到一杯咖啡：这就是 OpenMontage 想做的事。它是目前 GitHub 上热度很高的开源 Agent 视频制作系统，星标已超过 6.3 万，还曾登上 GitHub Trending 日榜第一，官方定位是"第一个开源的 agentic 视频生产系统"。
它把调研、写稿、生成素材、剪辑、渲染整条链路交给 Agent 执行，人只在关键节点拍板。本文从三个维度把它讲透：怎么用（手把手）、原理是什么（架构拆解）、费用多少（精确到美分），读完你就能判断它适不适合你的场景、要不要花时间搭。
一、怎么用：从安装到出片
第一步：安装
git clone https://github.com/calesthio/OpenMontage.git
cd OpenMontage
make setupmake setup 会自动完成五件事（对应仓库 Makefile）：
| 步骤 | 装什么 | 作用 |
|---|---|---|
| 1 | Python 依赖（pyyaml、pydantic、Pillow 等） | 核心逻辑 |
| 2 | Remotion（npm install） | React 视频渲染引擎 |
| 3 | Piper TTS（pip install piper-tts） | 免费离线旁白 |
| 4 | HyperFrames（npx 缓存预热） | HTML/GSAP 视频渲染 |
| 5 | 从 .env.example 复制创建 .env | 配置 API key（可选） |
前置条件：Python 3.10 以上、Node.js 18 以上（HyperFrames 渲染建议 Node 22 以上）和 FFmpeg。
第二步：配 API Key（可选，但建议）
.env 里可以配 20 多个服务的 key，全部可选，key 越多解锁的工具越多：
FAL_KEY=xxx # 最关键：解锁 FLUX 图片 + Veo/Kling 视频生成
OPENAI_API_KEY=xxx # OpenAI TTS + DALL-E 系图片
GOOGLE_API_KEY=xxx # Google Imagen 图片 + Cloud TTS（700+ 音色）
ELEVENLABS_API_KEY=xxx # 高质量 TTS，每月 1 万字符免费
SUNO_API_KEY=xxx # AI 音乐生成
PEXELS_API_KEY=xxx # 免费素材（注册免费拿）
PIXABAY_API_KEY=xxx # 免费素材一把 key 都不配也能跑：Piper 离线旁白加 Archive.org、NASA、Wikimedia 的免费素材，再加 Remotion 本地渲染，零成本出片。但配了 key，画面和配音的质量会有明显跃升。
第三步：用 AI 助手制作
OpenMontage 不是独立 App，它需要 AI 编程助手来执行，Claude Code、Cursor、Copilot、Windsurf、Codex 都可以。打开项目目录，直接说需求：
Make a 60-second animated explainer about how neural networks learn
中文也能被理解：
做一个 60 秒的动画视频，主题是"区块链怎么工作的"
剩下的交给 Agent。
第四步：在创意节点拍板
它不是一句话全自动。pipeline 定义里显式设置了检查点，Agent 会在四个创意节点暂停等你确认：调研后问方向对不对；提案后给出两三个方案（附成本估算）让你选；脚本完成后可以要求修改；素材生成后确认满意才继续。任何节点都能要求修改，Agent 只重做对应阶段，不会推倒重来。
第五步：拿成片
最终输出在 pipeline/<项目名>/renders/final.mp4，一个完整可播放的视频文件。
二、原理：Agent 怎么做视频
核心架构：pipeline 驱动，skill 指导，工具执行
仓库的 pipeline_defs/ 目录放着 12 份正式流水线定义（另有一份 framework-smoke 冒烟测试），每份 YAML 描述一条从想法到成片的完整流程。你描述需求后：
- Agent 读 config.yaml 和 12 份 pipeline_def，根据需求选最合适的一条，相当于 12 选 1；
- 被选中的流水线有 5 到 10 个 stage（多数为 7 到 8 个），每个 stage 声明用哪个 skill、需要什么输入、产出什么；
- Agent 逐个 stage 执行，行为由 skills/ 目录下对应的 .md 文档指导，涉及付费的工具调用会先走预算检查。
以 animated-explainer 为例，标准八阶段如下：
| Stage | Skill | 做什么 |
|---|---|---|
| 1 research | research-director | 联网调研主题，产出 research_brief |
| 2 proposal | proposal-director | 出 2-3 个方案加成本估算，暂停等你选 |
| 3 script | script-director | 写完整剧本，暂停等你确认 |
| 4 scene_plan | scene-director | 把脚本拆成场景，逐场景指定画面 |
| 5 assets | asset-director | 生成图片、视频、旁白、音乐，暂停等你确认 |
| 6 edit | edit-director | 决定时间线：每个场景几秒、怎么转场 |
| 7 compose | compose-director | 用 Remotion 或 HyperFrames 写代码渲染 |
| 8 publish | publish-director | FFmpeg 最终编码，ffprobe 加帧采样自检 |
两条渲染路径
Stage 7 有两条渲染路径，对应两类内容：
| 渲染器 | 技术栈 | 适合 | 原理 |
|---|---|---|---|
| Remotion | React | 数据可视化、动画解释、字幕 | Agent 写 React 组件，逐帧渲染成视频 |
| HyperFrames | HTML/CSS/GSAP | 动态文字、产品宣传、角色动画 | Agent 写 HTML+GSAP 动画，录制成视频 |
关键洞察：OpenMontage 的"剪辑"不是拖时间线，是写代码。Agent 通过写 React 组件或 HTML/GSAP 动画来编排视频，动画、数据图表、文字效果因此都是精确可编程的，不满意也只是改代码重跑。
预算控制
config.yaml 里有完整的预算系统：
budget:
mode: warn # observe(只观察) / warn(超了警告) / cap(硬限制)
total_usd: 10.00 # 总预算上限
reserve_pct: 0.10 # 保留 10% 给重试
single_action_approval_usd: 0.50 # 单次操作超 $0.50 要确认
require_approval_for_new_paid_tool: true # 新付费工具要批准也就是说，Agent 每次花钱前都会先报备："用 Veo 生成这段视频要 $0.3，继续吗？"把 cap 模式打开后，超过总额会直接停，不会无脑烧钱。
检查点系统
checkpoint:
policy: guided # guided(创意节点暂停) / manual_all(全部暂停) / auto_noncreative(非创意自动)每个 stage 的产出都落盘到 pipeline/<项目名>/ 目录。中途断了（Agent 崩了或你关了电脑），下次从检查点恢复，不用从头重来。
三、费用：精确到美分
零成本路径（$0）
| 能力 | 免费工具 | 说明 |
|---|---|---|
| 旁白 | Piper TTS（离线） | 够用，自然度不如 ElevenLabs |
| 素材 | Archive.org / NASA / Wikimedia | 真实档案素材 |
| 图片 | 无 | 不生成 AI 图 |
| 渲染 | Remotion / HyperFrames | 本地完整可编程 |
| 字幕 | 内置，WhisperX 词级对齐 | 逐词出现的字幕效果 |
| 后期 | FFmpeg | 本地处理 |
零成本能做图集动画（免费图加运镜加 Piper 旁白加字幕）、纪录片蒙太奇（真实素材剪辑）、数据可视化解释（Remotion 图表）；做不了 AI 生成图片和视频，那需要 FLUX、Veo 这类 key。
低成本路径：官方案例的真实账单
只配一个 FAL_KEY（fal.ai，覆盖面最广的一把），就能解锁 FLUX 图片加 Veo/Kling 视频。README 展示的四条成片，成本都逐条标注：
| 案例 | 成本 | 拆解 |
|---|---|---|
| Ghibli 风格动画 | $0.15 | 12 张 FLUX 图，约 $0.012/张 |
| 产品广告 | $0.69 | 4 张 DALL-E 系图片 + TTS，仅用一把 OpenAI key |
| Pixar 风格短片 | $1.33 | 6 段 Kling v3 AI 视频片段 |
| 历史纪录片 | $0.02 | OpenAI TTS 旁白 + 免费配乐素材 |
单次调用的费用量级（来自项目文档 PROVIDERS.md 和上述案例推算）：FLUX 图约 $0.01 到 $0.05 一张（按型号），DALL-E 3 与 Google Imagen 约 $0.04 一张，Kling 视频约 $0.07 到 $0.25 一段（按型号与时长），OpenAI TTS 约 $0.015/千字，ElevenLabs 约 $0.30/千字（每月 1 万字符免费），Google Cloud TTS 约 $0.016/千字（每档模型每月 100 万字符免费），Suno 音乐约 $0.08 一首。Piper、Pexels/Pixabay 素材、Remotion 渲染、FFmpeg 后期则永远是 $0。
一条 60 秒动画的典型账单：12 张 FLUX 图 $0.144，Piper 旁白 $0，Pixabay 配乐 $0，Remotion 渲染 $0，FFmpeg 编码 $0，总计约 $0.15。一杯水的价格，做一条动画短片。
四、12 条管线各适合什么场景
| 管线 | 适合 | 典型费用 |
|---|---|---|
| animated-explainer | 科普、教育、产品解释 | $0.15-$1 |
| animation | 二次元与风格化动画 | $0.15-$1.33 |
| cinematic | 电影预告、科幻短片 | $1-$5（用 Veo） |
| documentary-montage | 纪录片、历史回顾 | $0.02-$0.5 |
| clip-factory | 短视频批量切片 | $0.15-$0.5 |
| avatar-spokesperson | AI 虚拟人播报 | $0.5-$2 |
| talking-head | 数字人讲话 | $0.5-$2 |
| character-animation | 卡通角色动画 | $0.5-$2 |
| screen-demo | 产品录屏演示 | $0-$0.5 |
| podcast-repurpose | 播客转视频 | $0-$0.5 |
| localization-dub | 多语言配音 | $0.1-$1 |
| hybrid | 真实素材混合 AI 视觉 | 视内容而定 |
五、和"人做视频"的成本对比
| 传统人工 | OpenMontage | |
|---|---|---|
| 60 秒动画 | $500-$5000 | $0.15-$1.33 |
| 60 秒纪录片 | $200-$2000 | $0.02-$0.5 |
| 产品广告 | $1000-$10000 | $0.69-$5 |
| 制作周期 | 1-7 天 | 一次对话跑完（含渲染等待） |
| 修改成本 | 重新做，很贵 | 改需求重跑，几乎免费 |
OpenMontage 把视频制作的现金成本压低了一到三个数量级，这不是优化，是范式转变：视频从一次性项目，变成了可以随手重跑的脚本。
六、注意事项
- AGPLv3 协议：比 MIT 严格，个人使用没问题，商用（尤其做成 SaaS）要留意传染性条款；
- 必须搭配 AI 编程助手：它是 pipeline + skill + tool 的组合，没有助手就无法执行；
- 质量取决于工具和 key：零 key 路径够用但不惊艳，配上 FAL/ElevenLabs 后质量大幅提升；
- 渲染需要等待：Remotion 用 Node.js 逐帧渲染，HyperFrames 类似，成片越长等得越久；
- 有 GPU 更好：本地视频生成（Wan2.1/Hunyuan）需要 NVIDIA GPU，没有就走云 API。
写在最后
这套系统的本质，是把视频生产经验工程化成一摞可执行的 skill 文档：skills/ 目录里连 WhisperX（词级字幕）、Remotion（React 视频框架）、FFmpeg 调色都有独立的说明书，值得单独翻阅。想省事就直接跑 12 条管线，想深挖就把 skills/ 当成一份 AI 视频制作教材来读。
仓库地址：https://github.com/calesthio/OpenMontage （AGPLv3）。本文事实核对基于仓库源码与官方文档（config.yaml、pipeline_defs、skills、Makefile、docs/PROVIDERS.md），案例成本取自 README 的公开展示数据。
