音乐三家、后期七件、增强四件：一直免费的那部分

2026-08-09

看 OpenMontage 的 Supported Providers 折叠块，视线很容易被最上面那张 15 行的视频生成表吸走。但真正决定「你不掏钱能做到哪一步」的，是后面几张更短的表：音乐 3 行、后期 7 行、增强 4 行、分析 4 行。这几张表的性质和视频表不一样，值得单独数一遍。

先分清两种表：provider 表和 tool 表

README 这一节里混着两类清单。一类是供应商：视频 15 行、图像 11 行、TTS 5 行、音乐 3 行，每一行是一个可能要密钥的外部服务。另一类是工具：后期 7 件、增强 4 件、分析 4 件、数字人与唇形同步 4 件，每一行写的是「做什么」，不是「谁提供」。

这个区别不是语文问题，它直接影响你怎么读数字。README 的架构图里，tools/video/ 标的是 “13 video gen tools + compose, stitch, trim”，tools/graphics/ 标的是 “9 image/graphics generation tools + diagrams, code snippets, math”，tools/audio/ 标的是 “4 TTS providers”。而对应的三张表分别是 15 行、11 行、5 行。13 对 15、9 对 11、4 对 5，三组都对不上。视频和图像这两组还能用口径解释：架构图数的是 tool，表里数的是 provider，本来就不是一回事——图像那条尤其明显，架构图写的是「9 个图像/图形生成工具，外加 diagrams、code snippets、math」，本身就把图表、代码片段、数学算了进去，而表里那 11 行数的是谁提供图像。TTS 那一组连这个解释都用不上：架构图那行原文就是 “4 TTS providers”，与表同属 provider 口径，可表里明明白白列了 5 行。这是两处 README 文本之间可核实的差异，我们如实指出，不推断哪个是准的，也不拿它去评价这个项目。

所以后面凡是引用数字，我都会说清是「表里数出来的行数」还是「架构图标注的数」。

音乐三家：这一栏没有本地退路

音乐与音效表只有 3 行，全部是 Cloud API：

Provider	Type	README 的 Notes
Suno AI	Cloud API	完整歌曲生成，含人声、歌词，任意曲风，最长 8 分钟
ElevenLabs Music	Cloud API	AI 音乐生成
ElevenLabs SFX	Cloud API	音效生成

三行里有两行来自同一家供应商，一行做音乐、一行做音效。整张表没有任何一行标 Local 或 Stock——这是它和别的表最大的结构差异。视频表 15 行里有 4 行 Local GPU、3 行 Stock；图像表 11 行里有 1 行 Local GPU、3 行 Stock、1 行 Local（ManimCE）；TTS 表 5 行里有 1 行 Local（Piper，README 描述为 completely free, offline）。到了音乐这一栏，本地那一列是空的。

Suno 那行的「最长 8 分钟」是这几张表里少见的具体数值，README 直接写在 Notes 里。另外两行的 Notes 就只有「AI 音乐生成」「音效生成」一句话，没有更细的口径。README 别处那些形容词——比如 TTS 表里 ElevenLabs 那行的 “Premium voice quality”——都是 README 自己的措辞，不是我们的评价。我们没有调用过其中任何一个 API，没法替它背书，也不会据此给你选型建议。

后期七件：唯一被标了 always free 的那张表

后期制作表是 README 明确标注 always available, always free 的一张，7 项：

Tool	做什么
FFmpeg	视频合成、编码、字幕烧入、音频复用
Video Stitch	多片段拼装、交叉淡化、画中画、空间布局
Video Trimmer	精确剪切与提取
Audio Mixer	多轨混音、闪避（ducking）、淡入淡出
Audio Enhance	降噪、响度归一化
Color Grade	基于 LUT 的调色
Subtitle Gen	从时间戳生成 SRT/VTT

把这 7 行连起来读，覆盖的是一条相当完整的后期链：剪（Trimmer）→ 拼（Stitch）→ 混音（Mixer + Enhance）→ 调色（Color Grade）→ 上字幕（Subtitle Gen）→ 合成编码（FFmpeg）。按 README 给这张表的整体标注，这一整条链都在 always available, always free 的范围里，没有一行落进需要密钥的 Cloud API 那一栏。

这里有一处可以核实的措辞重叠值得留意。FFmpeg 在这一节里出现了两次，两次的职责范围写得不一样：后期表里 FFmpeg 那行写的是「视频合成、编码、字幕烧入、音频复用」四件事，而 Composition & Rendering 那张运行时表里，FFmpeg 那行写的是「核心视频装配、编码、字幕烧入、音频复用、调色」，多了调色一项——而调色在后期表里是单列的 Color Grade，标的是基于 LUT。两处描述的边界不一致，我们只陈述差异，以仓库当前状态为准。

增强四件、分析四件：点名的是具体开源项目

增强表 4 项，分析表 4 项。它们和后期表最大的不同是：Notes 里点的是具体的模型或开源项目名。

增强：Upscale 用 Real-ESRGAN 做图像/视频超分，Background Remove 用 rembg / U2Net 做背景移除，Face Enhance 做人脸质量增强，Face Restore 用 CodeFormer / GFPGAN 做人脸修复。

分析：Transcriber 用 WhisperX 做语音转文字并带词级时间戳，Scene Detect 做自动场景边界检测，Frame Sampler 做智能抽帧，Video Understand 用 CLIP / BLIP-2 做视觉语言分析。

有一件事必须说清楚，别自己脑补：README 只在后期那张表上标了 always available, always free，增强和分析这两张表没有这个标注。 表里点了 Real-ESRGAN、rembg、CodeFormer 这些名字，也不等于它们已经躺在你的机器上——那是模型和依赖的问题，README 在这两张表里没交代，我们也不替它交代。

分析这 4 件的价值在于它们和仓库其它部分是串得起来的。WhisperX 这条线在 skills/core/ 下有两个同主题的文件：whisperx.md 和 subtitle-sync.md（文件正文我们没有读过，这里只按文件名说明它覆盖了这个主题）。CLIP 这条线对应仓库里的 lib/clip_embedder.py 和 lib/corpus.py 两个文件（内部实现未读，不展开）。Frame Sampler 这条线对应的是渲染后自检里「在 4 个位置抽帧」这个动作——也就是说，抽帧不只是给你剪片子用的，它本身是系统自查成片的手段之一。

不给任何密钥时，剩下的是哪几行

把上面几张表按 Type 列过一遍，「不需要外部密钥」的部分其实是可以数清楚的：

后期 7 件：README 标 always available, always free
旁白：TTS 表 5 行里的 Piper，Type 是 Local，README 描述为 completely free, offline
素材：视频表里的 Pexels、Pixabay、Wikimedia Commons 三行 Stock；图像表里的 Pexels、Pixabay、Unsplash 三行 Stock
本地生成：视频表 4 行 Local GPU、图像表的 Local Diffusion 与 ManimCE

ManimCE 这行有点意思：它被放进「图像生成」表里，Notes 写的却是数学动画（Mathematical animations），对应 skills/creative/manim-usage.md 这个 skill 文件。按表头分类它是图像，按它实际做的事它更像动画工具。

还有一条和「零密钥」直接相关、但写在运行时表里的原文：Remotion 那一行末尾写着，当没有配置任何视频生成 provider 时，agent 生成静态图，由 Remotion 把它们变成完全动起来的视频。这句话解释了为什么这个项目敢说没有密钥也能出片——缺口不是靠某个免费 provider 补的，是靠把「生成视频」换成「生成静态图 + 程序化动起来」这条路径绕过去的。至于绕过去之后成片是什么样，我们没有渲染过，不做任何评价。

那么，这份清单该怎么用

不是用来做选型排名的，是用来定位你自己处境的。

如果你要的成片主要是剪、拼、混音、上字幕、调色，那么按上面数出来的结构，这条链落在后期 7 件里，加上 Piper 出旁白、Stock 出素材，密钥这一栏可以先放着不管。

如果你要的是画面里本来不存在的镜头，或者一首带人声、带歌词的歌，那就必然落到 Cloud API 那几栏——尤其是音乐，那张表 3 行全是云服务，没有本地退路可选。

这个判断只用到了各表 Type 列的分类，是结构信息，不是效果判断。哪个 provider 出的东西更好、值不值这个钱，README 里那些 “High quality”、“Cost-effective”、“State-of-the-art quality”、“Premium” 全是 README 自己的措辞，我们一个 API 都没调过，不复述成结论。README 在这一节顶部还指了一份 docs/PROVIDERS.md，说里面有完整配置指南、定价和免费额度——那份文档我们没有读过，只在这里提一下名字。

最后一句提醒：想知道你这台机器上到底哪些工具是「可用」的，README 给的办法不是读表，是查 registry。tools/tool_registry.py 里的 registry 对象提供了 discover()、support_envelope()、provider_menu() 三个方法，README 把它们描述为查真实的能力边界；AGENT_GUIDE.md 的 Mandatory Preflight 一节里对这两条命令还各留了一句注释，其中 raw envelope 那条明确警告慢、输出量大，只用于调试。文档里的表是仓库当时写下的清单，registry 报出来的才是你本机的实况，两者不一定一致。

为什么这两者会分家，README 的 Contributing 一节给了线索：加一个新工具的四步里，第 2、3 步是硬契约——继承 tools/base_tool.py 里的 BaseTool 并实现工具契约，然后由 registry 自动发现，不需要手动注册。也就是说，README 里那几张表是文档里写下来的清单，registry 那边是按契约扫出来的，两者的产生方式本就不同。同一层目录里还有 tools/cost_tracker.py 与 tools/google_credentials.py 两个文件（内部实现未读，只提文件名）。这三个 registry 方法具体怎么跑、返回什么，我们没有执行过，以你本地的输出为准。

本文依据 OpenMontage 官方仓库（github.com/calesthio/OpenMontage）的 README、 AGENT_GUIDE.md、config.yaml、pipeline_defs/ 与 lib/ 下的治理模块整理，核对日 2026-08-09。本文内容为仓库源码与文档口径，我们没有安装或运行过该系统，也没有调用过其中任何一个 provider API，文中出现的成本数字均为项目方在 README 中自行标注的金额，非我们的实测结果。该项目以 AGPL-3.0 发布，部分流水线在 manifest 中自标 stability: beta，请以仓库最新内容为准。安全相关做法请结合自身环境评估，本文不构成安全方案建议。