デジタルガーデン

MoneyPrinterTurbo スキャン記：十三万星の灯台とゼロ Key の出片流水線

2026-10-15 · 約 14 分 · MoneyPrinterTurbo · AIビデオ · オープンソース · ffmpeg · ローカル優先

十三万星の灯台が照らすのは、「一つのテーマを入力して、一本のショートビデオを出す」という赛道である。この日、harry0703/MoneyPrinterTurbo が完全にスキャンされた——MIT プロトコル、約十三点一万 Star / 二点零七万 Fork、最後のコミットは当日、現行バージョン v1.3.8、非常に活発の中文明星プロジェクト。

一、四つの入口、一本の流水線

WebUI（Streamlit、Main.py 約八千四百行）、REST API（FastAPI）、CLI（単一ファイル六十九 KB）、AI Agent（自带 Skill）——四つの入口が同じ一つの任務流水線を共有し、ロジックは app/services/task.py:1510 の _run_pipeline に収斂し、段階的に推進してブレークポイント续走を持つ（stop_at は audio / subtitle / materials などの中間産物で停止可能）。七段流程：LLM が脚本を生成 → LLM が素材検索語を提炼 → TTS が旁白を生成 → faster-whisper がローカルで転写して字幕 → 多源からビデオクリップを取得 → moviepy 2.x + ffmpeg が拼接・裁剪・BGM 追加 → 独立スレッドプールで TikTok / Instagram / YouTube Shorts に自動アップロード（生成の並行を占用しない）。

二、集成面：このプロジェクト最も際立った特徴

LLM 側（app/models/llm_provider.py レジストリ + litellm）：Kimi、OpenAI、Claude、Gemini、DeepSeek、通义、Azure、方舟、Grok、MiniMax、MiMo、ならびに OpenRouter / OneAPI / Ollama などのゲートウェイ。素材源：Pexels / Pixabay / Coverr / ローカルアップロード、外加文生ビデオ（火山 Seedance、WaveSpeed、OFox、秘塔 MiniMax、MuAPI、OpenAI 互換文生图）と LoomLoom SkillBot 脚本候補。TTS（voice.py 三千八百行、最も重いモジュール）：Edge TTS（無料デフォルト）、Azure、SiliconFlow、Gemini、MiMo、MiniMax、ElevenLabs、Chatterbox、Kokoro、Fish Audio、VoxCPM。配乐：ローカル随机 / Sonilo / ElevenLabs Music。工程品質のハイライトも稀有に扎实——約百七十のテストファイル四万六千行、CI が分支カバレッジ七十パーセント以上を強制（pyproject.toml）；重要な設計決策には中英二言語の注釈があり「なぜ」を解释する（接続テストの短いタイムアウト、不変検証、Windows プロセス生存判定など）；ffmpeg エンコーダの探査とフォールバック、原子ファイル落盤（mkstemp + os.replace）、ログの脱敏（API key の正規表現マスキング）、TLS 検証スイッチ、API 鉴权（x-api-key）、Redis 任意のマルチプロセス状態同期、CPU/GPU 二套の Dockerfile。注意すべき点も記録——二つの巨大単一ファイル：webui/Main.py（八千四百行）と cli.py（六十九 KB）は明らかな保守負担、新機能はすべてそこに積まれる；商業色が濃い——README に大量のスポンサー推广リンク（Kimi、火山、APIMart など）があり、プロジェクトの本質は「AI ショートビデオ赚钱ツール」で、集成された新モデルの多くはスポンサーチャンネル由来；ビデオ理解——TwelveLabs は任意の extra で、uv で必要なときにインストール。

三、あの关键的な問い：API 必須か

ユーザーの疑問はコードで环节ごとに検証され、答えは——いいや。このソフトウェア本身はゼロ API Key で全流程を走り通せる。脚本环节ではカスタム脚本を直接粘贴できる（コード内 video_script が非空なら LLM をスキップ）；配音には無配音モード、自分でアップロードした音声、そして Edge TTS（マイクロソフトの無料サービス、ネットがあればよく Key 不要）；素材はローカル画像 / ビデオをアップロード；字幕は faster-whisper のローカル転写で、初回モデルダウンロード後は完全オフライン；配乐はローカル随机音楽ファイル；合成は moviepy + ffmpeg の全ローカル。だからキーポイントは二つ——それはローカル優先架构である——ビデオ編集、合成、転写はすべてあなたの機械の中で完了し、素材をクラウドにアップロードして処理するのではない。API は二類のことだけに使われる：コンテンツの生成（脚本、AI ビデオ、一部の音色）と素材の取得（图库検索）。最小可用構成＝ゼロコスト：カスタム脚本 + ローカル素材 + Edge TTS 配音 + ローカル字幕 + ローカル BGM、一本の Key も埋めずに出片できる。「テーマを入力して全自動」を体験したい場合にのみ LLM API が必要で、この一歩も Ollama でローカルモデルを走らせて完全オフラインにできる。言い換えれば、API が決めるのは自動化と素材品質の上限であって、使えるかどうかではない。本当に回避できない外部依存は二つだけ——Edge TTS はネット接続が必要（ただし無料で Key 不要）、そして whisper は初回実行時にモデルファイルをダウンロードする必要がある。

四、ビデオはどう生成されるか：四歩の正身

合成コードを読んだ後、まず二つの概念を区切る必要がある——このソフトウェアでは「ビデオ生成」には二層の意味がある。第一層：素材ビデオはどこから来るか——即ち上一条で言った、ローカル / 图库 / AI 文生ビデオ、これは任意。第二層：成片はどう合成されるか——これがソフトウェアの本体で、全部ローカルで moviepy + ffmpeg を使って完成し、任何の API も不要。流程は combine_videos（video.py:965）と generate_video（video.py:1558）の二関数の中にあり、四つのステップに分かれる——

第 1 ステップ：旁白の时长に従って切片——まず配音音声の総时长を読み、目標成片时长＝音声时长 + 0.5 秒の安全余裕。そして各素材ビデオを max_clip_duration（デフォルト五秒）× 再生速度から源时长を逆算して小段に切る。切片戦略は二種——sequential モードは各ビデオの开头一段だけを取り、random モードは順序をかき混ぜ、かつ _prioritize_unique_source_clips ロジックがあり異なる来源のクリップを優先して選び、連続数秒が同じビデオになるのを避ける。クリップが長さ不足なら循环复用して総时长が达标するまで。

第 2 ステップ：単一クリップ処理（スレッドプール並行）——各クリップを個別に処理：截取、clip_speed で变速、転場追加（フェードインアウト / スライド）、裁剪で画幅に適合（cover モードは黒縁を裁き取り、ぼかし背景充填モードもある）。画像素材はここで Ken Burns ズームアニメーションビデオにレンダリングされる（render_image_zoom_video、video.py:1883）、だから静止图をアップロードしても動的効果が出る。処理完のクリップは各自一時 mp4 ファイルに書かれる。

第 3 ステップ：ffmpeg で一度に拼接——ffmpeg の concat demuxer ですべてのクリップを連結エンコードする（video.py:625）。ここには明確な工學的な取舍がある：注釈に「MoviePy が段ごとに合併する際の繰り返し再エンコードを避け、画質劣化を減らす」と書かれている。またハードウェアエンコーダを探査し、失敗時は自動で libx264 にフォールバックし、最後に -t で目標时长に精密に截断する。出力は一時ファイル + os.replace の原子公開を通り、途中失敗しても半分のファイルは残らない。

第 4 ステップ：音トラック挂着、字幕焼き込み、BGM ミックス——旁白音声はまず音量パラメータで調整；字幕はローカル whisper が生成した SRT に駆動され、MoviePy の SubtitlesClip が每条字幕ごとに TextClip を生成する——PIL がフォントレンダリング、自動改行、ストロークと背景框（丸角背景を含む）を担当し、位置パラメータ（底部 / 顶部 / 三分二 / カスタム百分比）に従って CompositeVideoClip で画面に重ねる、任意で「弹簧弹跳」入場アニメーション。BGM は随机 / ローカル / AI 生成の三源をサポートし、読み込み後音量スケーリング、全长埋める循环、结尾三秒のフェードアウトを行い、旁白とミックスする。最后に write_videofile で最終 mp4 を出力。画幅は 9:16（1080×1920）、16:9（1920×1080）、1:1（1080×1080）の三种をサポート。

だから全链路は——AI / 图库は「原材料」を提供するだけ、本当の編集合成はローカル従来型ビデオ処理。これがなぜそれがゼロ API でも出片できるか——合成这一环はもともとクラウドに依存しない。

真実の座標

MoneyPrinterTurbo AIビデオ オープンソース ffmpeg ローカル優先

コメント

← デジタルガーデン