OpenMontage零成本视频制作教程

时间：2026-07-11 14:33

OpenMontage无需付费APIkey，利用Piper配音、Remotion合成及开放素材库等免费工具链，实现两种零成本视频制作路径：一是基于图片和动画的解说类科普视频，二是基于真实运动镜头的纪录片蒙太奇。实测表明，该工具通过纯矢量动画或检索开放素材，可完整生成45秒科普短片与90秒纪录片，全程零花费。

在上一篇的结尾，我们分别向AI编程助手输入了两条提示词——一条要求制作“天空为什么是蓝色”的动画解说，另一条要求生成“凌晨四点的城市”真实素材纪录片。当时只是让它们顺利运行，并未深入探讨背后的运作机制。本文将彻底拆解这两个实例，展示在不花费任何费用、不配置任何付费API密钥的情况下，OpenMontage究竟如何实现这两类视频的创作。

“零密钥”这一特性值得单独强调，因为市面上许多标榜免费的AI视频工具，本质上仅能将静态图片转换为简单动画，即所谓的“animate still images”。而OpenMontage的零密钥路径远不止于此——它既能利用Piper配音结合图片生成动态成片，也能从开放素材库中检索真实的运动镜头，剪辑出一部纪录片风格的作品。接下来，我们将逐一走通这两条路径。

零密钥的两条路径

上一篇已对零密钥的免费工具链进行了全面梳理：旁白由Piper负责，素材来源包括Archive.org、NASA、Wikimedia以及免费图库，合成环节依托Remotion和HyperFrames，后期处理使用FFmpeg，字幕功能内置其中。一条完整的视频制作链路，每个环节都有免费工具作为支撑。OpenMontage将这些能力整合为两条可直接上手的主路径：一条是图片视频路径，另一条是真实素材纪录片路径。

两条路径的差异，通过下表对比便一目了然：

维度	图片视频路径	真实素材纪录片路径
视觉来源	静态图片	真实运动镜头
运动来源	Remotion 弹簧动画、镜头运动	素材本身的真实运动
典型成片	解说类、数据驱动的科普视频	纪录片蒙太奇、情绪短片
对应 pipeline	animated-explainer 等	documentary-montage
旁白	Piper 配音常用	可有可无，常用纯音乐

图片视频路径

第一条路径最接近大众认知中的免费AI视频，但OpenMontage将其打造得更为完善：Piper为脚本配音，Remotion将画面制作成带有弹簧动画、镜头运动及字幕的完整成片。此处的画面既可以是生成或检索所得的图片，也可以是Remotion纯合成的矢量动画——在下面的实测中，它甚至未使用任何图片。

直接复制下面这句提示词到你的AI编程助手中：

Make a 45-second animated explainer about why the sky is blue# 做一个 45 秒的动画解说视频，讲讲天空为什么是蓝色

这句提示词未包含任何素材生成的诉求，agent会自动完成调研、脚本撰写、配音、画面制作及渲染的全链路，每个创作节点都会暂停等待你的确认。整条链路无需依赖付费的视频生成模型。

这里的核心在于Remotion的合成能力。它并非简单地将图片轮播，而是提供了一整套React场景组件：弹簧动画图片场景、文字卡（text_card）、数据卡（stat_card）、各类图表、分节标题、大标题卡，以及抖音风格的逐词字幕和场景转场。因此，这条路径尤其适合数据驱动的科普视频——讲解一个知识点，搭配几张图片，再用图表将数据直观呈现。

使用Claude Code将上述提示词实测运行了一遍。agent首先选定animated-explainer流水线，进行了一轮联网调研，并提供了四个创意方向供选择：

一条规律，两种天空（叙事向，agent推荐）：用同一机制串联正午的蓝天与黄昏的红日，画面从白昼自然过渡到日落，45秒内呈现一个收束有力的结尾
天空本该是紫色（破除迷思向）：以“按物理推算天空该是紫色”这一反直觉的钩子开场，随后揭示其实际呈现蓝色的原因
5.5倍的竞赛（数据驱动向）：围绕波长展开，短蓝波被空气分子弹开的概率约为红波的5.5倍，以数据卡为主要呈现方式
光的障碍赛（类比向）：将阳光比作穿越分子场的赛跑者，小个子的蓝波被频繁撞偏，大块头的红波则径直穿过

实测中选择了“一条规律，两种天空”，agent据此撰写了一份45秒、115词的脚本，并通过schema校验。以下是该脚本的主体内容（为便于阅读，省略了每段的配音指导、分镜提示等字段，仅保留旁白文本和时间轴）：

{ "version": "1.0", "title": "Why Is the Sky Blue?", "total_duration_seconds": 45, "sections": [ {"id": "s1", "label": "Hook", "text": "Sunlight looks white. So why is the sky above you blue, and not green, or pink?", "start_seconds": 0, "end_seconds": 6}, {"id": "s2", "label": "Setup", "text": "That white light is really every color mixed together. As it pours into our air, it strikes countless tiny molecules of gas.", "start_seconds": 6, "end_seconds": 14.5}, {"id": "s3", "label": "The Rule", "text": "Here's the one rule behind it all: the shorter the wa ve, the more it scatters. Blue scatters about five times more than red, so it ricochets across the whole sky and into your eyes.", "start_seconds": 14.5, "end_seconds": 27.5, "source_ref": "Rayleigh scattering intensity scales as 1/lambda^4; blue ~450nm scatters ~5.5x more than red ~700nm"}, {"id": "s4", "label": "Why Not Violet", "text": "Violet scatters even more. But the sun sends less of it, and your eyes simply prefer blue.", "start_seconds": 27.5, "end_seconds": 34.5}, {"id": "s5", "label": "The Sunset Payoff", "text": "Now drop the sun to the horizon. Its light cuts through far more air, the blue scatters away, and only red survives.", "start_seconds": 34.5, "end_seconds": 43}, {"id": "s6", "label": "Landing", "text": "One rule. Two skies.", "start_seconds": 43, "end_seconds": 45} ], "metadata": {"concept": "One Rule, Two Skies", "playbook": "flat-motion-graphics", "word_count": 115, "pace_wpm_target": 153, "render_runtime": "remotion", "music": "none"} }

进入画面环节时，它并未生成或检索图片，而是现场编写了一个自定义的Remotion组件，利用纯SVG动画演示瑞利散射，并配上数据卡将“蓝光散射强度约为红光的5.5倍”这一数据直观呈现。配音环节出现了一点小插曲：agent误以为机器上已配置好ElevenLabs、OpenAI、Google、豆包等云端TTS，逐一尝试却全部失败（ElevenLabs直接返回401），于是自动回退到本地的Piper完成旁白。最终在本地渲染出1920×1080的成片，并自动抽帧逐场质检，使用ffprobe核对音画同步。整条链路实际花费为0.00美元。

这里其实隐藏着一个易踩的坑。根本没有配置任何付费密钥，只是将.env.example原样复制为.env，问题就出在这里。这个.env文件中ELEVENLABS_API_KEY=等配置的等号后面虽然是空值，却跟着一行行内注释：

# --- Voice --- ELEVENLABS_API_KEY= # TTS narration, music generation, sound effects OPENAI_API_KEY= # OpenAI TTS fallback and DALL-E image generation DOUBAO_SPEECH_API_KEY= # Volcengine Doubao Speech TTS (new console API Key) # Piper local voices do not require env vars; install `piper-tts` via pip

解析器会将这句注释错误地当作key的值读入，OpenMontage误以为密钥已配置，于是逐一尝试这些云端服务，自然就触发了401错误。因此，在复制.env时，务必删除每行后面的注释（或填入真实的密钥），否则就会像这样平白触发一系列失败的云端调用。

抛开这个坑不谈，此次实测也充分体现了零密钥兜底的价值：当云端TTS全部不可用时，本地的Piper成了唯一可行的选择。因此，即使你计划使用付费模型，也值得先将零密钥的兜底链路配置好。

成片效果如下：

这部片子的画面是纯手工编写的SVG动画，坦白说谈不上精致，单独看略显简陋。但搭配旁白和逐词字幕一路讲解下来，整体效果有模有样，作为知识点的科普短片完全够用。

如果希望画面更加精致，就需要让生成模型登场了。上一篇提到的那几支仅花费0.15美元的吉卜力风格动画，本质上就是这条路径的升级版：将免费图片替换为FLUX生成的图片，再让Remotion加入多图交叉淡入、镜头推拉、粒子叠加等效果。零密钥时，将图片替换为免费图库或开放素材即可。

真实素材纪录片路径

第二条路径才是OpenMontage区别于普通免费工具的核心所在。它对应的是documentary-montage这条pipeline，所做的工作是：从Archive.org、NASA、Wikimedia Commons，以及Pexels、Unsplash等免费来源，构建一个CLIP可检索的语料库，然后按语义检索真实运动镜头，并依照叙事节拍剪辑成片。

要走这条路径，提示词中必须明确写上“use real footage only”，告诉agent不要生成画面，而是检索真实素材。例如：

Make a 90-second documentary montage about what a city feels like at 4am. Use real footage only, no narration, elegiac tone.# 做一个 90 秒的纪录片式蒙太奇，表现凌晨四点城市的感觉。只用真实素材，不要旁白，挽歌般的基调。

这句提示词包含三个关键信号：documentary montage指定了pipeline，use real footage only锁定真实素材，no narration, elegiac tone确定了情绪基调。官方的提示词画廊中还提供了另外几个变体，比如Adam Curtis风格的档案拼贴、雨中归家的梦境蒙太奇，套路基本相同。

这条路径的素材全部来自开放素材库，而这些素材库分为两种类型：

真正零密钥、连注册都无需：Archive.org、NASA、Wikimedia Commons、美国国家档案馆（NARA）、国会图书馆（LoC），直接调用API即可搜索；
免费、但需要注册一个密钥：Pexels、Unsplash、Pixabay，密钥免费获取，但需前往官网申请。

以Pexels为例，它是这条路径中现代实拍素材的主力来源：登录pexels.com/api点击一下即可获得免费密钥，额度也较为宽松（每月两万次）。

这两类素材库的差异，在实测“凌晨四点的城市”这一现代题材时体现得尤为明显：真正零密钥的那几个源其实相当受限，Archive.org偏重老胶片，Wikimedia按松散标签匹配、返回的画面经常跑题（曾搜到苏格兰民谣乐队、算盘特写等完全不相干的镜头）。这些源更适合做档案、复古风格的纪录片；如果你要做的是现代题材，建议顺手去Pexels注册一个账号、申请一个免费密钥，它在当代实拍素材的丰富度和质感上都更靠谱。

与其它pipeline一样，documentary-montage也是分几个阶段逐步运行：idea（定方向）→ scene_plan（拆解为一个个镜位）→ assets（为每个镜位准备素材）→ edit（排成时间线）→ compose（渲染成片）。流水线的机制后续会单独开一篇详细讲解，这里只聚焦它最具特色的素材（assets）阶段。pipeline_defs/documentary-montage.yaml中为这一阶段提供了direct_clip_search、corpus_builder、clip_search三个工具，对应两条选片逻辑截然不同的子路径：

标准路径：先使用corpus_builder将候选素材下载下来、计算好CLIP向量并构建语料库，再使用clip_search对每个镜位的描述计算相似度，由机器打分选片。适合50个以上镜位的大批量、无人值守场景；代价是corpus_builder依赖torch、transformers等机器学习库。
快捷路径：使用direct_clip_search直接搜索并下载素材，不计算CLIP向量，然后将每个候选素材抽取为缩略图，让agent（或并行的子agent）逐张“看图”挑选最贴合的素材。依赖最轻，适合分幕产出、人工逐幕审核。

这台机器未安装torch、transformers等库，corpus_builder无法运行，标准路径走不通，因此实际采用的是快捷路径：为18个镜位各下载6个候选素材，再开启3个并行子agent分别查看缩略图，对照分镜描述和“凌晨/空旷/挽歌”的基调选片，还顺手标注了哪些候选素材不太贴合（例如有个鸽子镜头偏白天、有个便利店镜头里有顾客）。快捷路径实际上完全未使用CLIP模型，选片依靠agent直接查看缩略图。因此，在未安装torch、transformers的机器上，反而是这条不依赖CLIP的快捷路径更为实用。

那么被检索、被选片的“镜位”究竟长什么样？它就是scene_plan阶段产出的一个slot：

{ "id": "slot_09", "description": "interior of a night bus, a single passenger by the window, city lights smeared in the glass", "hero": true, "queries": ["night bus passenger window", "lone commuter bus night"], "preferred_sources": ["pexels", "archive_org"], "target_hold_seconds": 5.0 }

一个slot，就是一句供检索用的画面描述 + 2-3个搜索词 + 来源偏好 + 期望时长 + 是否hero（关键镜头）。agent拿着description进行打分或检索，拿着queries前往各个站点搜索素材。检索完成后，manifest中对选片的要求写得非常明确（以标准路径为例）：

review_focus: - Every slot has exactly one picked clip # 每个镜位恰好选一个片段 - No clip_id is picked for two slots # 同一片段不能用在两个镜位 - Provenance (provider, original_url, license) present on every asset # 每个素材都要有出处和授权 - "Standard path: corpus size >= 8x slot count, scores >= 0.22" # 标准路径语料库要够大、相似度达标

可以看出，它对每个镜位只选一个片段、不重复使用素材、每个素材都要登记来源和授权，要求相当细致。这也是它能够剪出像样纪录片、而非素材大杂烩的原因所在。

这条pipeline还有一个极具辨识度的签名动作：片尾强制以一句哲思短句收束，官方称之为end-tag。这是pipeline的硬性要求：默认必须有，如果不想要则需在配置中显式声明放弃。渲染上默认采用overlay模式，这句话叠加在最后的实拍画面上缓缓淡入。这条“凌晨四点的城市”就收在SOMEONE IS ALWAYS AWAKE.（总有人醒着）这句上，暖象牙白配一条动画下划线，浮现在破晓的空街上：

Remotion 还是 HyperFrames

还记得前面那份脚本metadata中的render_runtime: remotion吗？这个字段指定了一支视频最终交由哪个引擎来渲染。在动画解说那条路径中，它是agent自行决定的；而到了纪录片这条pipeline，它在documentary-montage.yaml的compose阶段被直接锁定为remotion、不允许agent更改，原因是片尾end-tag“叠加在实拍上淡入”的渲染效果依赖Remotion的CinematicRenderer组件。这就引出一个问题：OpenMontage的合成引擎该如何选择？

OpenMontage的合成引擎有两个：Remotion和HyperFrames。前者基于React，后者基于HTML/CSS/GSAP。skills/core/hyperframes.md提供了一张非常清晰的决策表，挑几条关键的来看：

场景	选谁	原因
已有 React 场景组件栈、数据驱动的科普视频	Remotion	这些组件已在 `remotion-composer/` 中，复用无需额外成本
逐词字幕烧录、卡拉 OK 字幕	Remotion	`remotion_caption_burn` 是 Remotion 专属，HyperFrames 暂未支持
数字人、对口型	Remotion	`TalkingHead` 合成仅在 Remotion 中实现
动感排版、重文字动效、GSAP 原生动画	HyperFrames	HTML/GSAP 是天然介质，用 Remotion 的 `interpolate()` 表达效率低且脆弱
产品宣传、发布预告、营销标题卡	HyperFrames	CSS/GSAP 的合成语法更贴合设计师思维
网页转视频	HyperFrames	有专门的 website-to-hyperframes 工作流

简单来说，数据驱动的科普视频、需要复用已有React场景、需要烧录逐词字幕的，选择Remotion；动效密集的动态图形、动感排版、网页转视频，则选择HyperFrames。

小结

今天我们将OpenMontage的零密钥视频制作流程完整走了一遍，核心要点如下：

零密钥也能制作真正的视频：执行make setup之后，旁白由Piper负责，素材来源包括Archive.org、NASA、Wikimedia及免费图库，合成环节依托Remotion和HyperFrames，后期处理使用FFmpeg，字幕功能内置其中，形成了一条完整的视频制作工具链
两条免费路径：图片视频路径利用Piper配音、图片素材及Remotion动画，适合数据驱动的科普视频；真实素材纪录片路径走documentary-montage，从开放素材构建CLIP语料库检索真实运动镜头，提示词中需记得添加“use real footage only”
两个合成引擎：Remotion（基于React）适合数据驱动的科普视频、复用已有React场景、烧录逐词字幕；HyperFrames（基于HTML/CSS/GSAP）适合动效密集的动态图形、动感排版、网页转视频

本篇使用的均为免费素材和现成的合成组件。除此之外，如果你的机器配有GPU，还可以更进一步，在本地免费运行wan2.1等视频生成模型，自行生成真正的视频片段。在下一篇中，我们将换一种玩法：很多时候，从一段你喜欢的参考视频出发，比从一句空白提示词起步要快得多。我们就来看看OpenMontage如何从一段YouTube、Reel或TikTok视频出发，反推出一份可落地的制作方案。