Jellyfish AI短剧工厂

Jellyfish ai短剧工厂是开发者 Forget-C 在 GitHub 上开源的一个 AI 短剧生产工具，项目地址是 https://github.com/Forget-C/Jellyfish。按照官方的说法，是一个端到端的 AI 短剧生产工作台，覆盖了从剧本输入到结构化故事板、角色一致性管理、镜头准备、视频生成再到导出成片的完整流程。

截至2026年7月，这个项目在 GitHub 上已经获得了 5.5k Star 和 960 多个 Fork。上线两周左右的时候 Star 数就涨到了 1.7K，社区里讨论度还可以。项目采用 Apache-2.0 协议，完全开源免费，支持本地部署和二次开发。

Jellyfish核心功能

• 剧本理解与分镜拆解：Jellyfish 可以把章节脚本自动拆解成镜头序列，同时从中提取角色、场景、道具、服装和对话这些关键信息。另外也支持剧本优化、精简和一致性检查，以及针对角色肖像或场景细节的定向分析。

• 镜头准备与确认工作流：它的核心工作流大致是：脚本拆解 → 镜头准备 → 候选确认 → 镜头就绪 → 生成工作区。系统会自动提取镜头候选方案，用户可以选择接受或忽略某些候选内容，也可以手动链接已有的角色、场景、道具和服装，修正镜头级别的基本信息。每个镜头都有一个“就绪状态”的标记，用来判断是否可以进行生成。

• 资产一致性与复用：这是 Jellyfish 比较有特色的功能。系统维护了一个共享的实体模型，涵盖角色/演员、场景、道具、服装四大类。所有资产可以在不同镜头间复用，这样能在一定程度上解决 AI 视频里常见的角色换脸、场景漂移、道具穿帮等问题。

• 镜头级图像与视频编排：镜头进入“就绪”状态后，生成工作区支持关键帧和参考图管理、镜头级视频提示词预览、图像和视频生成任务的发起，以及单镜头和批量预检查。生成结果会自动写回到镜头或媒体系统里。

• 统一异步任务中心：视频生成通常耗时比较长，Jellyfish 把所有文本处理、图像生成、视频生成任务都纳入了统一的异步任务系统。支持状态跟踪、进度和耗时显示、任务取消和恢复，也能从任务中心直接跳转到对应的项目或镜头上下文。

• 模型、提示词与生成基础设施：支持多提供商和多模型管理，可以按类别设置默认模型，也支持提示词模板管理、文件和生成媒体管理，以及基于 OpenAPI 的前后端契约。文本端可以对接 OpenAI、Claude 等大语言模型，视频端可以对接 Kling、Runway、Luma 等服务。

Jellyfish技术架构

• 前端：React + TypeScript + Vite

• 后端：FastAPI (Python)

• 数据库：MySQL

• 缓存/队列：Redis

• 对象存储：RustFS（S3 兼容）

• 部署：Docker Compose

项目前端请求和类型从后端 OpenAPI 规范自动生成，前后端接口的一致性有一定保证。

Jellyfish应用场景

• 根据官方文档和社区反馈，Jellyfish 适用的场景大致有这些：

• 短剧/微短剧创作者：快速量产成片，节省工具成本

• AI影视工作室：批量制作短剧，统一创作标准

• 个人创作者：不用学多款工具，可以低成本入局

• 教育培训团队：快速制作教学微视频

• 品牌与电商团队：制作故事驱动的产品宣传视频

五、优缺点

优点：

• 开源免费，Apache-2.0 协议，代码完全开放

• 通过集中化资产管理，能在一定程度上解决角色“漂移”问题

• 从剧本到成片一站式完成，不用在多工具之间切换

• 工作流是“候选→确认→生成”的模式，AI 负责候选，人负责判断

• 异步任务系统支持长时间生成任务的状态跟踪、取消和恢复

• 支持多模型接入，扩展性还可以

缺点：

• 本地部署需要一定技术基础，目前没有一键安装包

• 项目还在快速迭代中，核心的分镜渲染链路尚未完全稳定

• 工具本身不提供算力，需要自己准备各模型的 API Key

• 最终生成质量取决于所接入的视频生成模型

六、使用教程

快速部署

git clone https://github.com/Forget-C/Jellyfish.git
cd Jellyfish
cp deploy/compose/.env.example deploy/compose/.env
docker compose --env-file deploy/compose/.env -f deploy/compose/docker-compose.yml up --build

启动后的服务端口：

前端：http://localhost:7788

后端：http://localhost:8000（/docs 可以查看 Swagger 文档）

MySQL：localhost:3306

Redis：localhost:6379

RustFS：http://localhost:9000

本地开发

后端：

cd backend
cp .env.example .env
uv sync
uv run uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

前端：

cd front
pnpm install
pnpm dev

如果前端报接口错误，可以同步一下 OpenAPI 类型：

cd front
pnpm run openapi:update

工作流步骤

Jellyfish与竞品对比

以下是一些 GitHub 上同类开源工具的对比：

选择Jellyfish理由

• Jellyfish 解决了一个比较实际的问题——AI 视频里角色“漂移”，通过集中化的资产管理方式，比一般的视频生成工具更可控

• 它覆盖了从剧本到成片的完整流程，不是只能生成片段，而是一个完整的工作台

• 工作流的设计比较务实，AI 负责出候选方案，人来做最终判断，避免了“全自动生成”不可控的问题

• 开源免费，数据在本地处理，对数据隐私有要求的团队会比较在意这一点

• 可以逐镜头调整景别、角度、运镜这些参数，控制力比一般工具强一些

• 技术栈是 FastAPI + React + MySQL + Redis，比较成熟，便于二次开发

常见问题

Q1：Jellyfish 收费吗？

免费，Apache-2.0 开源协议。

Q2：能直接生成视频吗？

Jellyfish 本身不提供算力，需要自己准备各模型的 API Key（比如 OpenAI、Claude、Kling、Runway 等）。

Q3：硬件要求高吗？

本地部署推荐有 GPU，目前没有一键安装包，需要一定技术基础。

Q4：支持中文吗？

支持简体中文和英文剧本。

Q5：可以商用吗？

可以。Apache-2.0 协议允许商业使用，不过 AI 生成内容在一些平台的版权和变现规则还在演进中，需要注意。

Q6：项目成熟度怎么样？

还在快速迭代阶段，核心的分镜渲染链路尚未完全稳定，更适合愿意折腾的技术团队先试试。

Q7：前端接口报错怎么处理？

后端接口变更后，在 front 目录下运行 pnpm run openapi:update 同步一下就行。