今天分享一个叫 影策（open-ai-canvas） 的开源项目。
一个 开源 AI 影视与短剧创作工作台。它是一个把剧本、角色、场景、分镜、素材、任务全串在同一个自由画布上的创作操作平台。
已经收获 1200 人收藏，在线演示站甚至已经有了可用的 Agent 和技能生态。
项目简介
影策是一个以自由画布为核心的开源 AI 影视短剧创作工作台。
它的核心理念可以浓缩成它的 slogan：让一个故事，从文字走向银幕。
听起来很宏大，但它的实现路径非常务实：
画布先行 用节点、连线、框选、缩放的自由画布组织整个创作流程。剧本是一个节点，角色是一个节点，场景是一个节点，分镜、素材、生图任务、生视频任务都是节点。你可以随意拖拽、连线、分组，把整个创作过程铺在一张无限大的画布上。
结构化管理 剧本、角色、场景、风格板、参考素材、分镜都有自己的数据结构，不是随便传一张图就完事。角色卡有专门的字段记录服装、年龄、外貌描述、参考图和变体；分镜有镜头号、景别、时长、台词、运镜指令。
统一任务系统 文本生成、图片生成、视频生成、音频生成都走同一套异步任务队列。你提交一个生视频任务，系统会自动排队、执行、记录进度日志，失败了可以重试，成功了素材自动入库。
多模型接入 不绑定任何特定模型。README 里提到的赞助商包含了 Seedance、MiniMax H3、SoonStudio、Fluxion AI 等多家模型供应商，说明它的设计就是让你自由接入自己手头的模型 API。
在线演示站 yingce.tv 已经可以直接体验。
进去之后你会发现，它的功能密度相当可观——从自由画布、短剧 Agent、灵感库，到资产中心、技能市场、插件系统，基本覆盖了 AI 短剧创作的全链路。
02
PART
核心亮点
很多人会问：我用 Notion 当项目管理，再接个 Midjourney + 即梦 + 剪映，不也能做 AI 短剧吗？
我觉得它的核心价值不在于”我又做了一个 AI 工具”，而在于它把创作流程中那些”隐形的痛点”给产品化了。
亮点 1：自由画布
你可以在画布上创建一个”角色”节点，然后把这个角色的所有版本、所有场景图、所有视频片段都挂在这个节点上。
画布支持框选、缩放、小地图导航、撤销重做、导入导出和只读分享——本质上是一个无限大、可组织、可追溯的创作空间。
剧本节点的某一段可以连线到分镜节点，分镜节点再连线到生图任务节点，生图任务的输出素材再连线到视频合成节点。
整个创作流程变成了一张可视化的图谱，任一步骤都能追溯到源头。
亮点 2：结构化分镜和 3D 导演台
分镜脚本是影视创作的核心，但在 AI 短剧领域，大多数人要么直接跳过分镜环节，要么用文档工具简单列几句描述就完事了。
影策内置了结构化分镜系统：每个分镜有镜头号、景别、时长、台词、运镜指令、画面描述等标准字段。
这些字段不是摆设——它们会直接喂给后续的图片/视频生成任务。比如一个”特写镜头，3 秒，缓慢推进，女主角眼中含泪”的分镜，系统可以自动提取关键词填入 Seedance 的 prompt 模板。
还有个更狠的：3D 预演台。把专业影视团队的 previs（预可视化）工具搬到了开源项目里。
亮点 3：统一任务系统
不管你是要生成一段剧本文案、一张角色图、一段分镜视频，还是一段配音，影策都走同一套异步任务队列。
这个统一带来的好处是巨大的：
进度可见 所有任务都在任务中心排队，你能看到每个任务的实时进度、日志、耗时。不用在 Midjourney Discord 里刷屏等图，也不用在即梦里盯着进度条。
失败可重试 某个视频生成失败了？一键重试，参数原封不动。
素材自动入库 生成好的图片/视频自动进入素材库，自动跟对应的角色/场景/分镜关联，不用手动下载、重命名、拖进文件夹。
批量生成 选 10 个分镜节点，一键批量提交，系统自动排队执行。
亮点 4：Agent 技能生态
影策内置了云端 Agent 和一套可扩展的技能系统。
内置技能覆盖了 AI 短剧的核心生产流程，而社区技能库已经提供了 34 个场景域包索引——你可以理解为 34 个”开箱即用的短剧创作场景模板”。
03
PART
快速上手
环境要求
Bun 前端和文档站
Go 1.25 后端
Docker Compose 仅容器开发或部署时需要
宿主机本地运行（推荐体验方式）
# 克隆项目
git clone https://github.com/ddcat-ai/open-ai-canvas.git
cd open-ai-canvas
# 创建本地开发数据目录
mkdir -p .local/project-workbench-debug .local/cache/go-build .local/cache/go-mod
# 终端一：启动后端
cd backend
CANVAS_BACKEND_ADDR=127.0.0.1:8080
CANVAS_BACKEND_DATA_DIR=../.local/project-workbench-debug
GOCACHE=../.local/cache/go-build
GOMODCACHE=../.local/cache/go-mod
go run ./cmd/server
# 终端二：启动前端
cd ../web
bun install –frozen-lockfile
bun run dev
打开 http://localhost:3000 就能看到工作台了。
首次使用需要注册管理员账号，然后在设置里配置你手头的模型渠道（Seedance、MiniMax、SoonStudio、Fluxion AI 等都行）。
Windows PowerShell 用户更简单：
.scriptsstart-local.ps1
Docker 方式
源码热更新开发：
LOCAL_UID=$(id -u) LOCAL_GID=$(id -g)
docker compose -f docker-compose.dev.yml up --build
本地构建并运行 release 镜像：
docker compose -f docker-compose.local.yml up -d --build
服务器一键部署
适用于 Linux 云服务器，脚本会自动安装 Docker、拉源码、配置 PostgreSQL + Redis + 后端 + 前端：
curl -fsSL https://raw.githubusercontent.com/ddcat-ai/open-ai-canvas/main/scripts/install-server.sh | sudo bash
默认访问 http://服务器IP:3000。更新或排查：
cd /opt/open-ai-canvas
sudo docker compose --env-file .env
-f docker-compose.deploy.yml -f docker-compose.build.yml ps
sudo docker compose --env-file .env
-f docker-compose.deploy.yml -f docker-compose.build.yml logs -f --tail=200
///
LAST
写在最后
AI 影视和短剧创作目前还处在”工具拼装”的阶段——每个人都在自己搭一套 Notion + AI 工具链 + 云盘文件夹的组合，效率参差不齐。
这个自由画布让你看到全局，结构化分镜让你不丢细节，统一任务系统让你不用手动搬运素材，Agent 技能生态让 AI 真正帮你干活。
更重要的是，它是开源的——MIT 协议意味着你可以自由商用、二次开发、甚至自己做一个变体出来。
GitHub：https://github.com/ddcat-ai/open-ai-canvas
在线演示：https://yingce.tv
📖 相关推荐
资深互联网从业者，专注AI工具研究与实战应用。长期跟踪ChatGPT、Claude、Stable Diffusion等前沿AI技术，擅长将复杂的技术概念转化为通俗易懂的教程。运营颜资源小站，致力于为中文用户提供高质量的AI教程、开源项目推荐和数字资源整理。
评论(0)