核心功能
pixcli 是专为AI Agent设计的创意工具集，覆盖图像、视频、音频三大媒体类型，定位为"几乎所有创意资产的默认生产方式"。用户只需描述需求，系统自动完成任务分类→提示词增强→最优模型选择→资产交付的全流程。
主要能力矩阵
| 类型 | 具体功能 | 典型命令 |
|------|---------|---------|
| **图像** | 文生图、图生图、编辑修复、去背、矢量转换、虚拟试穿、智能搜索增强 | `pixcli image`, `pixcli edit`, `pixcli vectorize`, `pixcli tryon` |
| **视频** | 文生视频、图生视频、视频延长、镜头过渡、唇形同步 | `pixcli video` |
| **音频** | 语音合成(TTS)、多角色对话、音乐生成、音效生成 | `pixcli voice`, `pixcli dialogue`, `pixcli music`, `pixcli sfx` |
| **播客** | 一键生成完整播客（自动脚本、多角色配音、配乐、封面、分享页） | `pixcli podcast` / `pixcli sipcast` |
| **视频组装** | 6套Remotion模板，支持资产合成、字幕、转场、音画同步 | `npx remotion` |
技术亮点
- 智能路由：自动识别任务类型并选择最优模型（如文本-heavy任务自动选用GPT Image 2，人物编辑自动路由Kontext身份保持模型）
- 多模态融合：支持上传多图作为参考（最多5张），自动分析媒介、主题、身份、服装、配色
- 播客全自动：单命令完成从主题到成品，集成Google Search实时信息 grounding，生成可分享的沉浸式同步字幕播放器
- 异步流水线：视频生成等长任务支持
--no-wait提交+轮询模式，避免Agent工具调用超时
局限与注意事项
- 成本分层明显：Veo 3.1 4K视频、高质量图像、长音乐片段消耗较高，建议先用
draft质量迭代 - 视频生成时长：1-10分钟不等，必须采用异步模式避免超时
- 模型限制：对话功能最多2个说话人；
flux-fill不适用于人脸（会导致身份漂移） - 网络依赖：所有AI模型通过服务端代理调用，CLI本身不直接连接模型提供商
- Remotion学习成本：模板虽丰富，但复杂合成仍需掌握React/Remotion基础
适合人群
- 营销团队：快速产出社媒素材、广告视频、产品展示
- 内容创作者：播客、短视频、解说视频的一站式生产
- 开发者/Agent构建者：需要程序化多媒体生成能力的自动化工作流
- 设计迭代：快速概念验证后再进入精修流程
安全与合规
- 资产默认60-365天过期，支持公开/私有/不发布三种可见性
- 播客内容基于实时搜索grounding，需注意信息准确性核查
- 语音克隆功能需遵守ElevenLabs服务条款