BeefTV实测：把AI视频画布搬回本地

J 小助

在线画布用久了，问题出在哪

这两年做 AI 视频的人，桌面上大概都是这副样子：一个标签页写提示词，一个标签页出图，另一个平台跑图生视频，配音再换一家。素材散在四五个地方，过两周回头找"那张第三版的人物图"，往往要翻好几个历史记录。

LibTV 这类在线无限画布产品出现后，至少把这些东西收到了一块画布上，算是往前走了一步。但用的时间一长，几个问题就冒出来了：

• 流畅度看网络和服务端：画布上节点一多，在线产品卡顿很常见，拖动、缩放都慢；
• 素材存在别人的服务器上：项目、参考图、成片都在平台账号里，平台改规则、涨价或者停服，迁移成本全由你承担；
• 成本叠了两层：一层是平台订阅或积分，一层是模型调用，模型费用实际上被平台加价转卖了一次；
• 模型选择受限：平台接了哪几家，你就只能用哪几家。

BeefTV 就是冲着这些问题来的。它出自独立开发者 Beefnoodle 之手，起因很简单：他自己用在线画布用得不顺，于是花了大约一周时间，把核心能力复刻成一个装在本机的桌面版，并在 GitHub 上公开了源码。项目从 9 月下旬放出来到现在，仓库 glanderness/BeefTV 已经积累了约 2.1k Star、400 多个 Fork，更新也很勤，11 月 6 日刚发了 v2.1.6。

先搞清楚它是什么、不是什么

一句话定位：BeefTV 是一个本地优先的 AI 视频创作桌面应用，不是网站，也不提供模型。

几个基本事实：

项目	情况
形态	桌面应用，macOS（Apple Silicon / Intel 分包）与 Windows，早期版本还提供 Linux DEB 包
技术栈	Go 后端 + React 前端，用 Wails 打包，安装包约 200MB
数据存放	项目、画布、素材、模型配置默认都在本机的数据库和文件夹里
模型	不绑定单一服务商，文本、图片、视频、音频模型都可自行配置
协议	早期以 MIT 发布；新增内容改用 BeefTV Source Available License 1.0（详见后文）
最新版本	v2.1.6（2026-11-06）

需要强调的是"本地优先"的含义：画布和素材在你电脑上，但生成仍然要调用云端模型。只有在你点击"生成"的那一刻，软件才拿着本地保存的密钥去请求你配置好的模型服务，结果再写回本地。它省掉的是平台这一层，算力和模型费用还是要付的。

画布上的两个核心动作：生成与连线

打开一个画布，所有东西都是节点：一段提示词、一张参考图、一张生成图、一段视频、一条配音。操作归结起来就两件事。

生成：结果留在画布上继续改

从一句提示词起步可以，拖一张已有的图当参考也可以，文字、图片、视频、音频都能生成。生成结果直接落在画布上，后续的裁切、标注、局部重绘、拆分也在画布里完成，不需要导出到别的软件。每一轮试过的提示词和结果都保留着，哪一版不满意，退回去从那里重新分叉即可。

近期版本陆续加了不少实用能力：可复用的工作流、Topaz 超分、Seedream 图层拆分、Seedance 2.5 的样片转高清和视频编辑，以及 v2.1.4 加入的生成前费用预估，对按量付费的用户很友好，跑一批视频之前先心里有数。

连线：把"谁引用了谁"变成看得见的结构

连线在 BeefTV 里不是装饰，它代表引用关系。一张人物设定图被三个分镜当作参考，就有三根线从它连出去。将来要改人物形象，只需替换源头那张图，顺着线就能看到哪些下游产物会受影响。

这一点我感触比较深。我们团队之前做 AI 漫剧，最头疼的就是角色一致性：每个主角先出一张定妆照，后面几十个镜头的首帧都拿它做参考图。有一次导演中途决定给女主换发型，麻烦就来了，到底哪些镜头引用了旧定妆照？我们当时靠一张 Excel 表手工记录"镜头号—参考图文件名"，漏记、错记是常态，最后还是逐个镜头肉眼排查，花了大半天。

如果引用关系本身就是画布上的连线，这件事就变成了"点开源头节点，看它连出去多少根线"。影响面一目了然，重新生成时也能按线逐个处理，不会遗漏。对短剧分镜、系列海报、IP 形象延展这类"一个源头、多处复用"的工作，这种结构化的引用关系比文件夹和命名规范可靠得多。

模型怎么接：自配渠道与一键连接

BeefTV 本身不卖模型。在设置里的个人渠道中，填上各类模型的 Base URL 和 API Key 就能用，密钥只保存在本机。已经有自己模型渠道的团队，这种方式最自由，哪家便宜、哪家效果好就切哪家。

不想折腾配置的用户也有省事的路径：早期版本内置了作者的 BeefAPI 渠道，在浏览器里授权一下就能连上；v2.1.5 又加入了 LL2 模型服务的一键连接，仓库里提到的可用模型包括 Seedance 系列、MiniMax-H3 等。这类聚合渠道上手快，但要清楚它本质上仍然是第三方服务，计费和数据走向要以对方的条款为准。

Agent 与插件：方向明确，但还在路上

最近几个大版本加了 Agent：它能读取画布内容、替你调用模型、把结果写回画布。README 中描绘的远景是先由 Agent 规划世界观、角色和分镜，再搭节点、调模型，最后检查产出。不过作者也坦言，目前它更适合整理素材、执行单步操作这类辅助工作，"Agent 主导整条创作流程"还是目标而不是现状。

v2.1.3 起开放了插件生态，v2.1.4 带了内置插件市场和一个角色替换插件。这条路如果走通，画布的能力边界会扩展得很快，值得持续关注。

除此之外，还有几个日常很顺手的细节：

• 画布版本历史：每次保存都会留一个版本，恢复旧版本前自动备份当前状态；
• 素材快捷引用：写提示词时输入素材名、按 Tab 就能插入，不用来回复制链接；
• 宫格拆图：一张图可按 4、9、16、25 宫格切开，切出的小图自动排好；
• 批量创作表：一次性跑一批提示词，适合大量出草图。

为什么是 Wails

对开发者来说，BeefTV 的技术选型也值得一看。Wails 是 Go 生态里的桌面应用框架，思路和 Tauri 类似：前端用 Web 技术写界面，但不像 Electron 那样把整套 Chromium 打包进去，而是调用系统自带的 WebView（Windows 上是 WebView2，macOS 上是 WKWebView），后端逻辑用 Go 编写，前后端通过绑定方法直接调用。

这种组合的好处是：Go 处理文件读写、并发任务、调用 HTTP 接口都很顺手，适合"本地存储 + 并发请求多个模型"这种场景；打包产物比 Electron 轻，内存占用也更低。BeefTV 约 200MB 的安装包，主要体积应该来自内置资源和依赖的媒体处理组件，而不是框架本身。对想做类似本地 AI 工具的团队来说，Go + React + Wails 是一个值得参考的组合。

本地画布和在线画布，怎么选

把两类产品放在一起比较，差异主要集中在下面几项：

维度	在线画布（如 LibTV）	本地画布（BeefTV）
数据归属	存在平台服务器，受平台规则约束	存在本机，拷走数据目录即可迁移
成本结构	平台订阅/积分，模型费用含平台加价	软件免费，只付模型调用费
模型选择	平台接入哪些就用哪些	任意兼容渠道，自由切换
多人协作	天然支持共享、多人同时编辑	基本是单机，协作要靠导出或同步目录
上手门槛	打开网页即可	需要安装、配置模型渠道
稳定性	由平台负责维护	自己承担升级与备份

比较适合 BeefTV 的人群：

• 独立创作者、小工作室，素材量大、需要反复修改，对数据留在本地有要求；
• 手里已有模型渠道或 API 额度，不想再给平台付一层费用；
• 做短剧分镜、系列海报这类强依赖角色一致性的项目；
• 有开发能力，想在源码基础上二次定制内部工具。

不太适合的情况：

• 多人需要实时协作同一个画布，在线产品明显更方便；
• 完全不想碰 API Key、渠道配置的纯小白；
• 对稳定性要求极高的生产环境：目前核心维护者只有两人，迭代快，接口和数据结构随时可能调整。

安装与使用前的几点提醒

上手流程本身不复杂：到 GitHub 的 Releases 页面下载对应安装包（Mac 注意区分 Apple Silicon 和 Intel），安装后先在设置里接好模型渠道，再新建画布，写提示词或拖入参考图，选好模型点生成。

但有几件事建议提前做好：

1. 认准下载来源。 目前 Mac 版没有做苹果公证，Windows 版也没有代码签名，首次打开会被 Gatekeeper 或 SmartScreen 拦截，需要手动放行。这本身不代表软件有问题，但也意味着系统无法替你验证安装包是否被篡改。GitHub 上 BeefTV 的 Fork 已经有几百个，其中难免有人改名重新打包，只从上游仓库 glanderness/BeefTV 的 Releases 下载，不要用网盘转存或第三方搬运的版本。对安全要求高的团队，可以直接拉源码自行构建。

2. 升级前备份数据目录。 项目处于快速迭代期，一周发好几个版本是常态，数据结构变动在所难免。虽然画布有版本历史，但那只管画布内容，管不了整体数据库升级出问题的情况。每次升级前把整个数据目录拷一份，出问题时随时可以回退。这个数据目录同时也是你换电脑时要搬走的全部家当。

3. 看清楚授权协议。 不少文章还在写"MIT 开源"，但仓库现在的说明是：历史上按 MIT 发布的部分仍适用 MIT，新增的原创内容采用 BeefTV Source Available License 1.0，仓库也明确表示它不属于 OSI 定义的开源。按目前的条款，自部署、内部二次开发、用它制作并销售作品都没问题；但如果要把软件本身拿去转售、套壳销售、收费部署、定制交付或对外提供托管服务，需要事先取得作者书面授权。打算基于它做商业产品的团队，务必先读完 LICENSE。

4. 管好本地密钥。 API Key 存在本机意味着不会经过第三方平台，但也意味着电脑本身的安全就是密钥的安全。共用电脑、给别人拷数据目录时，记得先清理或轮换密钥。

---

总结

BeefTV 做的事情可以概括成一句话：把在线 AI 画布的工作方式搬回本地，同时把模型选择权和数据所有权交还给用户。

它最有价值的设计是"节点 + 连线 = 引用关系"。对短剧、漫剧这类讲究角色一致性的创作，源头素材改动时能顺着线找到所有受影响的产物，比靠表格和文件命名管理可靠得多。加上本地存储、自配模型、生成前费用预估，对素材多、改得勤、预算敏感的个人和小团队很有吸引力。

短板同样清楚：多人协作偏弱，Agent 还停留在辅助阶段，项目迭代快导致稳定性需要自己兜底，授权也已经从 MIT 调整为源码可用协议。如果你经常在多个 AI 平台之间来回倒腾素材，不妨从上游仓库下载一个试试，记得先备份、看协议，再投入正式项目。

项目地址：https://github.com/glanderness/BeefTV

---

本文为 JeecgBoot AI 专题研究系列文章。