零基础快速上手N8N自动化工作流，一键全自动生成爆款AI短视频

在这个AI时代，制作一条爆款短视频，最核心的障碍是什么？

是没钱买设备？是没时间学剪辑？还是没有好的创意？

都不是。

真正阻碍你的是——你还在“做”视频，而别人已经在“生成”视频了。

当你还在为“关键帧”和“转场”抓狂时，我只靠一个N8N工作流，已经一键“复刻”了100个爆款短视频。

自动生成短视频、一键成片，告别剪辑烦恼！今天，我就把这条爆款短视频工作流分享给你！

喜欢搭建 N8N 工作流的你，可千万不要错过～

一、工作流概览

在设计工作流时，我考虑从免费、收费两个维度，支持对图片和视频片段进行剪辑剪辑。

因此，N8N 的工作流搭建框架如下图所示：

1. 根据用户输入的视频信息，由大模型生成短视频文案，拆解脚本。
2. 支持生成免费短视频（本地生成）。
3. 支持调用大模型生成AI 图片、AI 视频。
4. 支持本地自动剪辑、配音、字幕。

这条工作流框架的灵活性很高，可塑性、可扩展性很好。接下来，一起来看看各个部分的搭建。

二、准备工作

我的 N8N 本地部署在 MACBook Pro 上，对于将 N8N 部署在云服务器的场景也是使用的。

主要需要准备两样工具：

• MoneyPrinterTurbo（https://github.com/totothink/MoneyPrinterTurbo） 部署在本地，只需要提供一个视频的主题或关键词，就可以全自动生成视频文案、视频素材、视频字幕、背景音乐、配音，然后合成一个高清的短视频。
• Replicate（https://replicate.com/） 这是一个大模型 API 聚合平台（国内可直接访问和调用 API）。它包含的大模型版本很全，价格与官网持平，可以方便地对比效果。但更主要的是它的 API 调用非常简单，完美解决了自己适配各个大模型 API 的痛楚。

用过可灵、即梦 API 的朋友们可还记得，光是 API 中的签名生成，就能让鬓角多出几根白发～

同时，有了这个聚合站，我还可以随意快速地调整大模型，直到找到自己喜欢的效果，非常方便。

（一）MoneyPrinterTurbo

MoneyPrinterTurbo是一款开源的短视频生成工具，部署在本地。部署的过程不复杂，我以 MAC 为例（Windows上的步骤差不多）演示。

在本地部署 N8N 时，会安装 docker desktop 软件。本节MoneyPrinterTurbo也是以 docker 方式运行，电脑上需要安装好docker desktop，安装过程不赘述了。

Step 1：下载项目文件

1、在电脑上新建一个文件夹，用于存放项目文件，名字自定义，比如叫做Money；

2、打开电脑终端，进入 Money 文件夹，执行下列命令，等待下载完成。

git clone https://github.com/harry0703/MoneyPrinterTurbo.git

如果 git clone 的方式下载较慢，也可以进入网站：https://github.com/harry0703/MoneyPrinterTurbo，下载项目文件，见下图。

Step 2：修改配置文件

1、将项目文件中的config.example.toml复制一份，并且重命名为config.toml。

2、使用文本工具打开docker-compose.yml文件，进行编辑。

下面左图是默认内容，右图是修改后的内容。

MoneyPrinterTurbo以 docker 方式运行，我们无法直接访问 docker 中的文件，因此这段配置文件的作用是将本地目录与 MoneyPrinterTurbo 目录映射起来。

下面这行配置，将 N8N 的数据目录（n8ndata）与MoneyPrinterTurbo生成视频的目录映射，从而让MoneyPrinterTurbo 能够顺利在 N8N 的 data 目录读取或者写入视频文件。

x-common-volumes: &common-volumes
# 核心应用代码

- ./app:/MoneyPrinterTurbo/app

- ./webui:/MoneyPrinterTurbo/webui

- ./main.py:/MoneyPrinterTurbo/main.py

# 配置文件

- ./config.toml:/MoneyPrinterTurbo/config.toml

# 资源文件(字体、音乐)

- ./resource:/MoneyPrinterTurbo/resource

# 测试和文档(可选，如果不需要可以删除)

- ./test:/MoneyPrinterTurbo/test

- ./docs:/MoneyPrinterTurbo/docs

# 关键：将n8n数据目录映射到视频存储目录

- /Users/deanyang/Desktop/n8nAI/n8ndata:/MoneyPrinterTurbo/storage/local_videos

Step 3：安装 MoneyPrinterTurbo。

1、打开终端，进入MoneyPrintTurbo项目所在的目录。以我电脑为例：

cd /Users/deanyang/Desktop/study/MoneyPrinterTurbo

2、执行命令，自动安装

docker compose up -d

这个过程会加载必需文件，下载的时间会长一些，静待它自己安装完成即可。

在安装时，我遇到了一个错误：

“ERROR [webui internal] load metadata for docker.io/library/python:3.11-slim-bullseye”

在询问了 claude 后找到了解决方案：

docker pull docker.m.daocloud.io/library/python:3.11-slim-bullseye docker tag docker.m.daocloud.io/library/python:3.11-slim-bullseye python:3.11-slim-bullseye

docker compose up -d

3、安装完成后，打开 docker desktop — Containers，可以看到MoneyPrinterTurbo的容器，运行正常。

Step 4：Web 端配置。

1、进入 Web 管理界面：http://127.0.0.1:8501/

2、选择大模型

我选择 DeepSeek 或者 Gemini。大家可以按需选择，填写好大模型对应的 API Key 以及模型名称。

3、配置视频源

只需要填写 Pexels API Key 即可。点击“点击获取”，注册 Pexels，即可获取API Key。

这里不赘述注册过程，如遇疑问，可以在评论区留言：）

4、音频设置（配音）

TTS 服务器选择硅基流动（SiliconFlow TTS），免费，音频效果较好。按照提示词，注册/登录硅基流动，创建 API Key，填写好。如下图所示：

视频设置和字幕设置，大家按需调整就好。

Step 5： 了解 API 接口

打开 API doc（http://localhost:8080/docs），主要用到“生成短视频”、“获取任务运行状态”这两个接口。

点开其中一个接口，可以看到具体的参数例子，如下图所示。如果想了解具体字段的取值情况，可以点击「Schema」。

Step6：重启MoneyPrinterTurbo的服务

修改好配置后，打开终端，进入MoneyPrinterTurbo所在目录，执行：

docker compose up -ddocker compose restart

这样，在 Web 端修改的配置，在API调用时可以同步生效。

（二）Replicate

Replicate 是国外一个 AI 大模型API 聚合站，是我最近发现的一个小宝藏。模型很全，实时更新，还能看到每个模型的调用次数（我猜测用的多效果就好～）。价格上，与各个官网基本持平。我们可以随意切换各种模型，非常方便。

Step 1：注册并登录 Replicate

1、进入网站（https://replicate.com/），注册和登录。

可以通过 github/谷歌账号登录网站

Step 2：基础配置

1、创建 API Token 进入网址：https://replicate.com/account/api-tokens，创建一个 token，记录好留用。

2、添加支付方式。

进入网址：https://replicate.com/account/billing，点击 Manage billing， 添加信用卡。信用卡可以直接使用国内银联信用卡，添加和支付非常容易。

添加好信用卡，点击「Add credit」，购买额度即可。

Step 3：选择大模型

在网站的右上角，找到「Explore」，可以找到图片模型、视频模型、语言模型。

我们以视频模型为例，找到“Google veo-3”，点击进入详情页，可以看到调用的次数、价格，以及设置的参数。

在 JSON 页卡，可以得到请求体，即，接口请求的具体参数；在 HTTP 页卡，可以找到 API 的请求地址。

我们也可以在 Examples 查看案例效果。其他模型也是一样的，都是这样找到参数和请求地址，将用在N8N 的 HTTP 节点调用中。

三、搭建工作流

（一）用户输入部分

Step 1：设置启动节点

选择「On form submission」节点，它会生成一个用户输入的交互页面，适合输入视频的信息。

Step 2：设置表单内容

如下图所示：

• Field Name：选项名称
• Element Type：选项类型，可以是文本、下拉列表、checkbox、password 等，很全面
• Placeholder：文本框的提示文字
• Option：下拉列表的选项
• ……

设置好之后，运行这个节点，会弹出页面，如下图所示。

我预设的选项如下所示。大家可以根据自己对视频的理解，增减选项。

素材来源：
- 免费素材
- AI生成
AI 生成素材类型：
- 图片
- 视频
视频时长：
- 10 秒
- 20 秒
- 30 秒
- 60 秒
情绪目标：
- 共鸣/感动（适合鸡汤、故事类）
- 惊讶/震撼（适合冷知识、反常识）
- 好奇/神秘（特殊视角、未知场景）
- 向往/憧憬（美好画面、理想场景）
- 治愈/放松（适合风景、慢生活）
- 开心/爽朗
- 忧郁/孤单
- 由大模型最佳匹配
价值定位：
- 有共鸣（金句+氛围画面）
- 有趣（猎奇画面、视觉冲击）
- 有用（知识+图示化画面）
- 由大模型最佳匹配
画面类型：
- 自然风景系（雨、雪、海、山、森林、日落）
- 都市场景系（街道、咖啡馆、窗景、夜景）
- 静物特写系（书、咖啡、花、手写字）
- 抽象意境系（光影、粒子、色彩、水墨）
- 混合拼接（多种画面快速切换）
视觉风格：
- 电影感（高对比、暗调）
- 小清新（明亮、柔和、暖色调）
- 赛博朋克（霓虹、未来感、冷色调）
- 水墨国风（黑白、写意、留白）
- 自然纪实（真实、不过度调色）
- 由大模型最佳匹配
开头钩子：
- 金句开场，比如："在这个..."
- 提问式，比如："你有没有..."
- 悬念式，比如："很少有人知道..."
- 由大模型匹配最佳
结尾引导：
- 引导评论，比如："你呢？"、"你遇到过吗？"
- 引导点赞，比如："说得对点个赞"
- 制造悬念，比如："下期讲..."
- 金句收尾
- 无明确引导（自然结束）
- 由大模型匹配最佳

在选择“免费”制作视频时，只需要填写视频主题、视频时长即可。选择“AI生成”制作视频，就可以把上面这些选项都选上。

（二）生成短视频文案

在这一步，我根据上一步得到的视频要求，调用大模型生成短视频文案。

Step 1：添加节点。

添加 Basic LLM Chain 节点。

Step 2：添加大语言模型

添加 Model，我使用的是 Gemini 2.5 Flash。大家用 DeepSeek 完全可以。

如果对鉴权方法有疑问的话，可以在评论区留言，我可以专门出一期“常用的 N8N 工具鉴权集合”。

Step 3：设置提示词。

1、用户提示词

将视频要求全部输入。

- 本次视频的主题为：
{{ $('On form submission').item.json['视频主题'] }}
- 视频时长：{{ $json['视频时长'] }}
- 目标受众：{{ $json['目标受众'] }}
- 情绪目标：{{ $json['情绪目标'] }}
- 价值定位：{{ $json['价值定位'] }}
- 画面类型：{{ $json['画面类型'] }}
- 视觉风格：{{ $json['视觉风格'] }}
- 开头钩子类型：{{ $json['开头钩子类型'] }}
- 结尾设计：{{ $json['结尾设计'] }}

2、系统提示词

在这一步，生成两份内容，一份是短视频文案，一份是关键词（用于提高素材与主题相关性）

# Role
你是爆款短视频文案创作专家，擅长创作高完播率、强互动的短视频旁白文案。直接输出最终文案，无需解释。 ## 任务 1. 认真理解用户输入的视频要求（参数）； 2. 根据用户提供的视频要求，直接生成： - 高完播率的短视频旁白文案。 - 用于素材搜索和AI视频生成的精准关键词。 ## 文案创作规则 1. **字数控制**：根据时长计算文案字数 - 每秒约4-5个汉字（正常语速） - 例如：20秒视频 = 80-100字 2. **开头必须抓人**（前3秒原则） - 金句开场：直接抛出有冲击力的观点或感受 - 提问式：用疑问句引发好奇或共鸣 - 悬念式：制造信息缺口，让人想看答案 3. **情绪有起伏**（中间段） - 避免平铺直叙，要有对比、递进或反转 - 根据「情绪目标」选择语言节奏： * 治愈 → 舒缓、温暖、留白 * 震撼 → 有力、短句、递进 * 好奇 → 悬念、揭秘、层层推进 * 向往 → 画面感、想象、美好 4. **结尾要有行动** - 引导评论：抛出问题，例如"你呢？""你遇到过吗？" - 引导点赞：认同式，例如"说得对就点个赞" - 金句收尾：升华主题的短句 - 制造悬念：留钩子，例如"答案下期揭晓" 5. **语言要求** - 口语化，像对朋友说话，不要书面语 - 短句为主，节奏感强，适合朗读 - 根据「目标受众」调整用词： * 职场人群 → 有共鸣的职场痛点 * 年轻人 → 网络用语、潮流表达 * 中年人群 → 人生感悟、生活智慧 - 根据「价值定位」确定内容： * 有共鸣 → 说出心声，引发认同 * 有趣 → 新奇视角，有意思 * 有用 → 给方法、讲道理、传知识 ## 关键词生成规则 ### 结构（严格8-10个词） 1. **核心主体（2个）** - 视频的主角物体/人物 - 例：秋雨场景 → 雨滴、窗户 2. **动作场景（3个）** - 正在发生的可拍摄动作 - 例：秋雨 → 雨滴滑落、水珠溅起、雨打芭蕉 - ✗ 禁用：感悟、力量、挑战（抽象词） 3. **环境氛围（2个）** - 具体的时间/地点/天气 - 例：傍晚街道、灰色天空、咖啡厅窗前 4. **视觉特征（1-2个）** - 镜头语言或画面特点 - 例：特写镜头、慢动作、暖色调 5. **情绪词（仅1个）** - 用于AI理解情绪，不用于搜索 - 例：静谧、热血、温暖 ### 反例警告 - ✗ 自由、挑战、梦想、力量、肾上腺素 - ✗ 任何无法对应到具体画面的词 ## 输出要求 直接输出一段完整的文案以及对应的关键词，文案流畅连贯，可以直接用作视频旁白。不要分段，不要加标注。 ## 示例 **输入：** 主题：秋雨，我爱的静谧季节 | 时长：20秒 | 受众：都市白领 | 情绪：治愈 | 价值：有共鸣 | 开头：金句 | 结尾：引导评论 **输出：** 文案：在这个焦虑的时代，我只想听一场秋雨。没有社交，没有消息提示，只有雨声，和慢下来的心跳。秋雨是这个季节给我们的温柔提醒，告诉我们，慢一点，也没关系。你也喜欢下雨天吗？ 关键词：秋雨, 静谧, 治愈, 情感, 共鸣, 都市, 压力, 放松 --- **输入：** 主题：坚持的力量 | 时长：15秒 | 受众：职场新人 | 情绪：震撼 | 价值：有用 | 开头：悬念式 | 结尾：金句收尾 **输出：** 文案：你知道什么能力最值钱吗？不是聪明，不是学历，是坚持。别人放弃的时候，你再多走一步，就赢了。记住，所有的牛逼，都是用笨功夫堆出来的。 关键词：运动员训练, 山峰攀登, 晨跑流汗, 攀爬前行, 伏案学习, 清晨操场, 陡峭山路, 逆光剪影, 坚韧

3、输出格式

在 Output Parser 中填入下面的 JSON：

{
"text": "文案内容", 
"keywords": "keyword1,keyword2,keyword3"
}

（三）免费生成短视频

上一步生成短视频文案和关键词后，经过 IF 节点判断，进入「免费生成短视频」的流程。

在这一步，通过 HTTP 节点调用本地moneyprinterturbo 的生成视频接口，传入短视频文案和关键词，moneyprinterturbo会做如下事情：

1. 通过关键词，在 Pexels 上寻找相关视频片段，下载留用；
2. 裁剪视频片段，满足每段视频长度、视频尺寸的要求；
3. 通过短视频文案，生成字幕、配音，匹配视频片段
4. 合成短视频。

从 docker desktop 的日志中，也可以清楚看到每个步骤。

所以，关键词的准确性，直接影响视频片段的相关性。关键词在上一步生成，可以关注我写的提示词。

Step 1：本地生成视频节点

添加 HTTP 节点，配置如下：

• 请求类型：POST 请求
• url： http://host.docker.internal:8080/api/v1/videos
• 开启“Send Body”，JSON 如下：

{
"video_subject": "{{ $('On form submission').item.json['视频主题'] }}",
"video_script": "{{ $json.output.text }}",
"video_terms": "{{ $json.output.keywords }}",
"video_aspect": "9:16",
"video_concat_mode": "sequential",
"video_transition_mode": "Shuffle",
"video_clip_duration": 3,
"video_count": 1,
"video_source": "pexels",
"video_materials": null,
"video_language": "",
"voice_name": "siliconflow:FunAudioLLM/CosyVoice2-0.5B:alex-Male",
"voice_volume": 1.0,
"voice_rate": 0.9,
"bgm_type": "random",
"bgm_file": "",
"bgm_volume": 0.2,
"subtitle_enabled": true,
"subtitle_position": "bottom",
"custom_position": 70.0,
"font_name": "MicrosoftYaHeiBold.ttc",
"text_fore_color": "#FFFFFF",
"text_background_color": true,
"font_size": 50,
"stroke_color": "#000000",
"stroke_width": 1.0,
"n_threads": 2,
"paragraph_number": 1
} 

其中：

video_subject：视频主题。确定视频主基调。

video_script：短视频文案。moneyprinterturbo 将文案拆解为一段一段，匹配视频片段的时长。

video_terms：关键词。moneyprinterturbo将关键词通过 Pexels 接口，召回相关性较强的视频片段。

video_concat_mode：视频片段拼接方式。sequential表示顺序拼接，random 表示随机拼接。

video_transition_mode：视频片段的转场方式。Shuffle表示随机选择。

voice_name：配音名称。

这些字段与moneyprinterturbo的 Web 页面配置意义相同。

Step 2：查询视频生成的进度。

通过调用本地moneyprinterturbo 的查询任务进度接口，确定短视频是否生成完成。

1、添加 wait 节点

我设置停顿 30 秒。

2、添加 HTTP 节点。

url：http://host.docker.internal:8080/api/v1/tasks/{{ $json.data.task_id }}

其中，{{ $json.data.task_id }}是上一节点（Step 1 生成视频）返回的任务 id。

3、添加 IF 节点。

判断视频生成的进度，如果进度未达到 100%，继续等待直至视频生成成功。

Step 3：下载视频

添加一个 HTTP 节点，url 设置为上一个节点输出的 video字段，即：{{ $json.data.videos[0] }}。

Step 4：将视频写入磁盘。

添加「Read/Write File From Disk」节点，设置如下图，就可以把视频保存在本地了。

其中，./n8ndata/ 是我部署 N8N 时设置的数据存储文件夹，大家修改为自己的路径即可。

这样，免费生成短视频的流程就做好了，合成好的视频已经保存在n8ndata 目录中。

（四）拆解短视频脚本

接下来，我们开始介绍通过 AI 生成视频片段，合成短视频的工作流。

这一过程，拆解短视频脚本很关键，它决定了视频质量和贴合度。

Step 1：新建文件夹。

新建一个文件夹，用于存放视频素材。文件夹的位置要放在 N8N 和 moneyprinterturbo 都能够读取到的位置。根据上面「准备工作」小节的设置，我将文件夹设置在“n8ndata”目录中。

添加「Execute Command」节点，填写创建文件夹的命令，如下图所示。其中，文件夹的名字会频繁用到，因此前后要保持一致。我这里为了演示直接取了视频主题的名称，更好的做法，是在工作流开始时利用「Edit Field」节点设置全局变量。

Step 2：生成短视频脚本。

添加一个 AI Agent 节点，添加好大模型。

设置 AI Agent：

1、用户提示词，包含生成 AI 视频片段所需的信息。

- 短视频文本： {{ $('Basic LLM Chain').item.json.output.text }}
- 关键词：{{ $('Basic LLM Chain').item.json.output.keywords }}
- 本次视频的主题为：
{{ $('On form submission').item.json['视频主题'] }}
- 视频时长：{{ $('On form submission').item.json['视频时长'] }}左右
- 目标受众：{{ $('On form submission').item.json['目标受众'] }}
- 情绪目标：{{ $('On form submission').item.json['情绪目标'] }}
- 价值定位：{{ $('On form submission').item.json['价值定位'] }}
- 画面类型：{{ $('On form submission').item.json['画面类型'] }}
- 视觉风格：{{ $('On form submission').item.json['视觉风格'] }}
- 开头钩子类型：{{ $('On form submission').item.json['开头钩子类型'] }}
- 结尾设计：{{ $('On form submission').item.json['结尾设计'] }}

2、系统提示词，拆解出短视频脚本

# Role
你是爆款短视频脚本专家，擅长将文案拆解成高完播率的视频脚本。直接输出可执行的脚本，无需解释。 ## 任务 根据以上规则，将文案拆解为多个场景，每个场景包含时长、旁白、画面描述。 ## 核心规则 **1. 场景规划** - 快速分析用户提供的视频核心信息 - 根据视频总时长自动计算场景数量： - 5-8秒视频：2-3个场景 - 9-15秒视频：3-4个场景 - 16-30秒视频：4-6个场景 - 30秒以上：每5-7秒一个场景 - 将文案拆分为对应数量的关键点 **2. 文案拆分** 将完整文案按场景数量均匀拆分，每个场景分配相应时长的文案内容。保持语义完整，关键信息点与画面对应。 **3. 差异化处理** - 第一个场景：必须体现「开头钩子」的设计，画面要有冲击力 - 中间场景：画面要有节奏变化（对比、递进、视角切换），呼应「情绪目标」 - 最后场景：画面要呼应「结尾动作」，留下记忆点 **4. 画面描述规则** **当素材类型为「图片」时：** 用静态构图思维，描述一帧画面： - 必须包含：[视觉风格] + [画面类型的具体场景] + [主体与细节] + [构图方式] + [光线与色调] + [氛围感] - 示例：电影感风格，秋天雨后的街道，特写镜头聚焦地面水洼中倒映的金色树叶，浅景深虚化背景，暖色调夕阳光线，宁静治愈的氛围 **当素材类型为「视频」时：** 用动态镜头思维，描述运动过程： - 必须包含：[视觉风格] + [画面类型的具体场景] + [镜头运动方式（对应「镜头语言」）] + [画面中的动态元素] + [光线与色调] + [氛围感] - 示例：电影感风格，秋天雨中的森林，镜头缓慢推进穿过树木，雨滴在光线中闪烁飘落，金黄色树叶随风摇曳，暖色调柔和光线，宁静治愈的氛围 **5. 情绪与画面的匹配** 根据「情绪目标」选择画面元素： - 治愈：柔和光线、温暖色调、舒缓动作、留白构图 - 震撼：大场景、强对比、快速动作、广角镜头 - 好奇：特殊视角、未知场景、层次递进、悬念感 - 向往：美好画面、理想场景、明亮色调、舒展构图 **6. 禁止描述** - 不要出现真人、人脸、表情、对话等需要演员的内容 - 不要描述文字展示、品牌logo等视频大模型难以精确生成的内容 - 避免过于复杂的多主体互动场景 **7. 风格统一** 所有场景的画面描述必须保持「视觉风格」一致，即使「画面类型=混合拼接」也要在风格层面统一。 **8. 语言** 画面描述的提示词，请使用英文表述。

3、Output Parser，设置输出格式。video_script是列表，方便遍历调用AI 大模型生成一条条视频片段。

{
"video_script": [
{
"voiceover": "文案/旁白",
"visual_description": "画面描述/生成图片/视频的提示词"
},
{
"voiceover": "文案/旁白",
"visual_description": "画面描述/生成图片/视频的提示词"
}
]
}

Step 3：分割视频脚本，为独立生成视频片段做准备。

添加Split Out 节点，对上一节点的输出进行分割：output.video_script。

Step 4：判断使用 AI 生成图片还是视频。

在这一步来判断，是调用图片大模型，还是视频大模型来生成素材。判断的依据来源于工作流的第一个节点：用户的输入。

如果素材类型为“图片”，则进入“AI 生成图片素材”的分支；如果素材类型为“视频”，则进入“AI 生成视频片段”的分支。

（五）AI 生成视频片段

这部分就是重头戏了！

原理不难，调用视频大模型接口，一个个生成短视频片段。

Step 1：循环遍历短视频脚本。

添加 Loop Over Items 节点。

Step 2：调用视频大模型接口。

在准备工作的小节中，我们介绍了 Replicate 平台，里面有很多主流视频大模型。我在试用了很多大模型之后，选择了 Google veo-3。

1、获取veo-3 的API 信息。

在视频大模型列表中，找到 veo-3，点击进入详情页（https://replicate.com/google/veo-3?input=http）。

如下图所示，点击“HTTP”，可以看到请求 url 以及参数。

在工作流中新建 HTTP 节点，按照示例填写好请求头部、请求 body 以及请求 url。

请求 body 信息如下：

{
"input": {
"prompt": "{{ $json.visual_description }}",
"duration": 6,
"resolution": "720p",
"aspect_ratio": "9:16",
"generate_audio": false
}
}

• duration：视频片段的长度
• resolution：分辨率
• aspect_ratio：视频长宽比
• generate_audio：是否配置音频

有朋友问，我如何知道各个字段应该填写什么值呢？不难的，我们可以故意填写一个错误的值，根据 Web 页面的报错信息，就能知道每个字段允许填写哪些值。

以duration为例，当我填写duration为 5 时，页面有错误提示，告诉我允许值的范围为 4,6,8。

Step 3：循环等待 AI 视频生成的进度。

这一部分不做太多赘述，核心是调用视频生成进度的查询接口。

查询的接口是 Replicate 提供的通用接口，只需要传入任务 id 就可以。

HTTP 节点的设置如下：

GET 请求的 url 为：

https://api.replicate.com/v1/predictions/{{ $json.id }}

Step 4：下载视频

通过 HTTP 节点，将上一节点生成的视频片段下载下来，配置如下：

Step 5：将下载的视频保存在指定目录中。

添加「Read/Write File From Disk」 节点，保存到指定文件夹内，按顺序以序号 1、2、3、4 命名。

这样，批量生成 AI 视频片段的部分就完成了。接下来，将这些视频片段交给 moneyprinterturbo 进行合成，输出最终的短视频。

（六）合成短视频

上一步，生成了多个 AI 视频片段。现在，我们通过 moneyprinterturbo 对这些片段进行合成。

首先，添加 Code 节点，生成 moneyprinterturbo 拼接本地视频所需要的接口信息。

// 获取所有输入数据
const items = $input.all(); // 遍历输入数据并转换格式 const images = items.map(item => { // 获取fileName字段 const fileName = item.json.fileName; // 替换路径: ./n8ndata/ -> ./storage/local_videos/ const url = fileName.replace('./n8ndata/', './storage/local_videos/'); // 返回视频信息对象 return { provider: "local", url: url, duration: 0 }; }); // 返回符合n8n规范的格式，将所有视频放在images字段下 return [{ json: { images: images } }];

代码输出的内容，直接作为下一步 HTTP 请求中的video_materials参数。

新建 HTTP 节点，这一步的配置与「免费生成短视频」小节中，调用的接口配置相同。请求 body 部分如下：

{
"video_subject": "{{ $('On form submission').first().json["视频主题"] }}",
"video_script": "{{ $('Basic LLM Chain').first().json.output.text }}",
"video_terms": "{{ $('Basic LLM Chain').first().json.output.keywords }}",
"video_aspect": "9:16",
"video_concat_mode": "sequential",
"video_transition_mode": "Shuffle",
"video_clip_duration": 5,
"video_count": 1,
"video_source": "local",
"video_materials": {{ $json.images.toJsonString() }},
"video_language": "",
"voice_name": "siliconflow:FunAudioLLM/CosyVoice2-0.5B:david-Male",
"voice_volume": 1.0,
"voice_rate": 1.0,
"bgm_type": "random",
"bgm_file": "",
"bgm_volume": 0.2,
"subtitle_enabled": true,
"subtitle_position": "bottom",
"custom_position": 70.0,
"font_name": "MicrosoftYaHeiBold.ttc",
"text_fore_color": "#FFFFFF",
"text_background_color": true,
"font_size": 50,
"stroke_color": "#000000",
"stroke_width": 1.0,
"n_threads": 2,
"paragraph_number": 1
}

随后是查询视频生成进度、下载并保存视频的过程，与（三）免费生成短视频 的过程相同，不赘述了。

这样，AI 生成视频的工作流部分就搭建完成了。

（七）AI 生成图片，合成短视频

与 AI 生成视频片段类似，这一条分支只是把视频模型更换为图片模型，我选择了字节的seedream-4模型，效果还不错。

生成图片之后，复用“moneyprinterturbo 合成短视频”的工作流，生成最终的短视频。

全部工作流介绍完了。

做好一篇视频，“道、法、器、术”缺一不可。我们可以选择更好的AI 视频模型，但也需要精致的主题文案、视频脚本以及剪辑技巧来支撑。

这条工作流我测试和使用了上百次，它还有很大提升空间，而且这个框架的可塑性、扩展性非常强。比如可以通过飞书多维表格触发，或者自动发布到多个短视频平台，只要想得到，都可以尝试去做。

好了，今天就分享到这里啦。