Story-Flicks 開源故事影片產生器實測，配音得自己修

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

在 GitHub 上有 2,532 顆星的 Story-Flicks，做的事情聽起來很吸引人：輸入一個故事主題，它用大型語言模型寫出分鏡故事，為每一段生成一張插圖，配上語音與字幕，最後在本機合成一支完整的故事影片。我這週把它完整 clone 下來跑了一遍，先講結論：今天把它裝起來，故事與配圖兩段照著設計走，配音這一段已經斷了，而且斷得很安靜，介面會告訴你成功，實際拿到的是空檔案。要讓它發出聲音，你得自己修改它的程式。

這個專案由開發者 alecm20 在 2025 年 1 月開源，發布頭兩個月就暴紅，然後在 2025 年 3 月 12 日提交最後一次修改後就停住了，到今天已經一年半沒有任何 commit。它值得花時間看的原因，在於它是目前少數把「AI 影片生產線」完整攤開的小型標本：寫故事、生圖、配音、字幕、剪輯五段各自獨立，其中文字與生圖兩段可以換成你自己選的供應商，全部流程都在自己的電腦上跑，程式碼裡也找不到任何遙測或分析元件。把它讀懂，等於讀懂一條 AI 內容生產線的最小骨架，以及它交給時間之後會爛在哪裡。

裝機實測：第一面牆不是 AI，是套件相依

照著 README 的步驟，建立 Python 虛擬環境後執行依賴安裝，第一個跳出來的錯誤跟 AI 完全無關。專案鎖定的 imageio-ffmpeg 0.4.9 會去引用 Python 的 pkg_resources 模組，而 2026 年初起發佈的 setuptools 81 已經把這個模組拿掉了，所以新建的環境裝到一半就會跳出模組找不到的錯誤。解法不難，手動把 setuptools 降到 81 之前的版本就能繼續，但這代表 README 上那句單純的安裝指令，今天已經不能照抄了，這也是專案停更一年半的第一個直接代價。

降版之後，後端順利啟動。有兩個行為值得記下來。第一，它對外的服務地址只允許本機的 5173 埠連入，程式碼裡的跨域白名單寫死了 localhost，這是典型的本機自用設計，不是要對外營運的服務。第二，在還沒填入任何模型金鑰的狀態下，去問它支援哪些模型供應商，它會誠實地回一份空清單，而不是把五家供應商全部列出來等你撞牆。供應商選項會在你填了對應金鑰之後才出現，這個細節比很多號稱開箱即用的工具老實。順帶一提，說明文件也提供了用 Docker 一鍵啟動的路徑，但問題回報區裡從映像檔建置失敗到晶片架構不相容的抱怨都有，這條路我沒有實測，不下結論，手邊機器是 Apple Silicon 的人要有撞牆的心理準備。

前端照著說明執行安裝與啟動，畫面完整，表單欄位一應俱全：文字模型供應商、圖像模型供應商、影片語言、聲音、故事主題、分段數，加上一個語言切換按鈕。在沒有金鑰的狀態下，供應商下拉選單自然是空的，與後端回傳的空清單一致。

Pin

配音段驗屍：它說成功，檔案卻是空的

真正的問題出在配音。這個專案的語音不是靠供應商金鑰，而是直接呼叫微軟 Edge 瀏覽器朗讀功能背後的介面，這也是它標榜零成本配音的原因。我在介面還沒填任何金鑰的狀態下，直接對語音生成的介面送出一句繁體中文，它的回應是一個成功狀態，附上音檔與字幕檔的下載網址。

拿到網址去下載，音檔是零位元組，字幕檔根本沒有生成。翻伺服器的執行記錄才看到真相：底層連向微軟語音服務的通道被拒絕了，回應是禁止存取，程式重試三次全部失敗，而這些失敗被上層的錯誤處理整個吞掉，最後包裝成一個附下載網址的成功回應。對使用者來說，這是最難排查的那種故障，所有表面訊號都說好了，拿到手的卻是空的。這條路徑還藏著第二個坑：它生成的暫存檔落在程式的工作目錄，回給你的網址卻指向另一個資料夾，所以就算哪天檔案生成了，照著網址去拿也會撲空，兩個缺陷疊在一起，把斷線偽裝得更徹底。

為了確認問題不在專案自己的程式，我繞過它直接用同一個被鎖定的語音套件版本呼叫微軟的服務，得到一模一樣的拒絕。也就是說，微軟已經換掉了身分驗證的握手方式，專案鎖定的舊版套件全部被擋在門外。接著做對照實驗：把語音套件升到目前最新的 7.2.8 版，直接呼叫，這次成功拿到一段 4.8 秒、清晰的台灣腔語音檔，證明問題確實出在版本。但把這個新版套件裝回專案，後端連啟動都過不了，因為新版套件改了內部介面，專案引用的某個函式已經不存在，啟動當場中斷。

這就是一個兩頭夾死的死局：舊版能被專案載入但連不上微軟，新版連得上但專案載不動，而套件並沒有夾在中間的版本可以選。回頭看專案的問題回報區，社群早在 2025 年 3 月就回報了新版套件的啟動錯誤，原作者只回了一句重灌依賴的猜測就再無下文；2026 年 3 月更有人直接提交了更新語音套件的修改稿，同樣開著沒被合併，修正一直停在門外。修復的方向其實清楚，把處理語音的那支程式改寫成新版的介面，或者整段換掉語音引擎，但這件事只能由你自己動手，等不到原作者。

自備金鑰的架構：哪些錢會從你的帳單走

故事與配圖兩段走的是另一種模式：自帶金鑰。按照說明文件，文字生成支援 OpenAI、阿里雲、DeepSeek、Ollama 與矽基流動五家，圖像生成支援 OpenAI、阿里雲與矽基流動三家，金鑰都填在本機的設定檔裡，請求從你的電腦直接送向供應商，影片也落在本機的資料夾。說明文件還建議了預設組合：文字用 OpenAI 的模型、圖像用阿里雲的模型，並宣稱後者有免費試用額度；這段我沒有實際生成過影片，因為手邊沒有可用的付費金鑰，所以五家供應商的實際表現與費用我無法替你保證，能確認的是架構本身，金鑰與故事題材都不經過第三方的伺服器。想把文字段的帳單壓到零，可以選 Ollama 走本機模型，說明文件提醒小參數模型跑不動，建議 14B 參數等級以上；但圖像段沒有本機選項，繞不開付費供應商，這是成本上最實際的門檻。

中文支援倒是完整：介面有中英文切換，影片語言選單裡繁體中文與簡體中文並列，語音清單裡還有三個台灣腔聲音可選，兩女一男。用中文寫故事、用熟悉的口音念出來，這條路是通的，前提是你先把配音段修好。

生成流程的力學也值得先知道。模型先依你給的主題產出一段一段的場景描述，每一場景附一段文字與一張圖的提示詞；接著程式逐段呼叫圖像供應商，一段一張圖，畫完再逐段配音，最後用本機的剪輯函式庫把圖、聲音與字幕拼成影片。整條線是照順序跑的，沒有平行化，所以你設的分段數直接決定等待時間與 API 呼叫次數，設十段就是十次生圖加十次配音加一次合成，費用的量級可以自己估。

Pin

讀原始碼還看到一個值得知道的細節。程式在送出圖像生成請求前，會在提示詞外面套一層闔家觀賞的安全包裹，要求模型產出適合所有年齡的插圖。但比對三個供應商的分支後發現，這層安全包裹只對 OpenAI 與矽基流動生效，而專案預設檔裡建議的圖像供應商是阿里雲，這個分支送出去的是未經包裹的原始提示詞。安全機制寫了，但對預設配置沒有生效，這類事情不讀碼永遠不會知道。另外每一段的插圖是獨立生成的，前後段沒有共享記憶，同一個角色在不同分鏡裡可能長得不一樣，社群也有人回報過這個問題，這是這類逐段生圖架構的先天限制。

沒有授權條款的兩千顆星

最後是兩個會影響你去留的事實。第一，這個倉庫沒有授權條款檔案，GitHub 上偵測到的授權狀態是無。公開放在 GitHub 上不代表任何人取得使用許可，嚴格來說你連合法使用它的書面依據都沒有，商用或再散布更是無從談起。社群在 2026 年 2 月開了問題要求補上授權檔，到今天沒有下文。第二，它停更的姿勢很完整：2025 年 1 月暴紅，3 月中旬最後一次修改，之後的問題回報從安裝錯誤、跨域設定到語音失效一路開著，跨域與語音這些核心問題一年多來沒有修復，程式碼停在原地，2026 年 6 月還有人來提新功能建議，同樣石沉大海。兩千多顆星記錄的是它被看見的峰值，與它現在能不能用是兩件事。

程式碼本身的工程品質也對得上這個判斷。故事資料存在記憶體的字典裡，服務一重啟就全部消失；介面層有兩個端點呼叫內部函式時參數對不上，一叫就會出錯；錯誤處理路徑上還引用了一個從沒匯入的記錄器變數。這些都不妨礙它作為學習標本的價值，五段式生產線的骨架、供應商抽換的設計、零遙測的乾淨，都值得借鏡，但對可靠度的期待要對齊展示專案，而非產品。

留給讀碼的人，不留給開箱的人

想讀懂一條 AI 影片生產線怎麼組裝的開發者，這是密度很高的教材，五個段落各自獨立、程式量不大、每一層的供應商都能換。願意當自己維運者、把它視為起點來改造的人也合適，修好語音段、補上自己的授權宣告之後，它可以是個像樣的個人工具。

只想開箱產出影片的創作者不適合。它要你先去申請至少一家文字與一家圖像供應商的金鑰，帳單從自己的帳戶走，然後還得先修好斷掉的配音段，再接受沒有授權條款的法律模糊。需要穩定商用產能的團隊更應該繞開，等授權狀態明朗再說。

如果你要的是其中某一段而不是整套，也可以拆開來找。配音段想用微軟語音的，可以看我先前實測的 Azure 語音服務自架教學；聲音與音樂生成想走開源模型路線的，DiffRhythm 全長歌曲生成與 FaceFusion 影片換臉工具都是同樣自帶資源、本機運行的例子；想找一個維護活躍、架構完整的本機 AI 工具當參考，Local Deep Research 本機深度研究工具的工程品質是另一個檔次。Story-Flicks 的價值在標本，不在產能。