如果你经常刷到“一口气看完一整部恐怖片”这类解说视频大概也会好奇这种自带文案、配音、字幕和节奏剪辑的短视频是怎么在短时间内做出来的。这次我们拿《狂蟒之灾》这条素材搭一条本地可跑的“影视解说视频自动生成”工作流从原始视频素材里切片段用语音识别辅助定位剧情节奏用大模型写解说文案再用合成语音生成配音最后用 FFmpeg 把画面和声音拼成成片。先说明一个前提这不是某个开箱即用的成品软件而是一套由开源组件拼起来的工程流程。核心价值是把重复劳动自动化比如切分素材、生成字幕、整理文案、批量混流但素材版权、解说方向和最终发布前的复核仍然要自己负责。下面会覆盖环境准备、部署启动、功能测试、接口封装和批量任务按顺序走一遍就能跑通。如果你准备做影视解说、预告片混剪、课程浓缩视频这篇文章可以直接收藏。1. 核心能力速览能力项说明项目类型影视解说视频自动化工作流本地部署主要功能视频片段切分、语音识别字幕、LLM 解说文案、TTS 配音、FFmpeg 混流合成推荐硬件CPU 可跑基础流程ASR / LLM / TTS 使用 GPU 时显存占用以实际模型版本为准显存占用不确定需按实际使用的 Whisper 模型和 LLM 模型测试支持平台Windows / Linux / macOS启动方式Python 命令行脚本可封装为 FastAPI 服务是否支持 API支持可把单文件处理封装成 HTTP 接口是否支持批量任务支持按目录循环或使用任务队列适合场景影视解说初稿、预告片混剪、课程视频浓缩、素材预筛这套流程里最花时间的不是模型本身而是素材准备和参数调优。第一次跑通建议用小片段测试确认每个环节都能输出正确结果再上完整素材否则排查问题时很容易被长视频的耗时放大。2. 适用场景与使用边界这套“一口气看完”式影视解说工作流真正适合的是需要快速产出解说初稿的场景比较典型的有下面几类。个人学习与二次创作实验用已获授权或有合法使用权的素材验证技术路线比如测试 Whisper 对电影对白的识别效果、测试 TTS 的语速和语气或者验证 FFmpeg 批量合成脚本是否稳定。批量生成解说初稿把“切片—文案—配音—合成”做成流水线。以前人工剪辑一个片段可能要半小时现在脚本可以先产出一个带配音、带字幕的粗剪版本再由人来调整节奏和画面顺序。内部素材检索对大量视频素材做自动转写和摘要方便按关键词查找。比如素材库里存了一批恐怖片片段按台词内容整理索引后续做选题时能快速找到可用镜头。课程与知识类视频浓缩把讲座或课程按知识点切分再生成要点解说。这一类不依赖电影素材版权风险更小适合先跑通流程。不太适合的场景也很明确不要直接搬运未授权影片拿完整电影切几个片段就发布既无法通过平台审核也有版权风险不要试图用技术绕过平台审核或规避版权限制不要期待自动化能替代专业剪辑复杂转场、逐帧调色、手动字幕样式这些精细效果自动化流程只能提供初稿。使用边界必须反复强调不要用这套流程处理没有授权的人像、声音和版权素材。如果要发布《狂蟒之灾》相关内容需要先确认版权方许可或者使用合法素材渠道。解说类视频如果只截取必要片段、加上自己的原创解说也需要在法律允许的范围内二次创作并且保留素材出处和授权证明。涉及人脸、声音等个人信息时还涉及肖像权和声音权务必获得相关授权。3. 影视解说工作流本地部署环境准备这是一条 Python FFmpeg 开源模型的管道先准备好基础环境再进入部署和测试。3.1 操作系统与 Python 环境Windows、Linux、macOS 都可以运行。Linux 服务器更适合长时间批量任务Windows 适合本地调试。Python 建议使用 3.10 或更高版本方便兼容 Whisper、FastAPI 等常用库。先确认 Python 和 FFmpeg 是否已安装python --version ffmpeg -version如果 FFmpeg 没有安装可以用系统包管理器安装或者到 FFmpeg 官网下载对应平台的二进制文件。安装完成后再次执行ffmpeg -version能看到版本信息即可继续。3.2 创建隔离的 Python 环境不要在系统 Python 里直接装一堆依赖建议创建虚拟环境python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate激活后后续的pip install都装在这个环境里不会影响其他项目。如果系统里同时存在多个 Python 版本要确认python指向的是 3.10 以上版本。3.3 安装核心依赖建议按使用情况分批安装不要一次性把所有东西都装进去。基础依赖包括pip install openai-whisper pydub numpy pip install fastapi uvicorn requests pydantic其中openai-whisper用于语音识别fastapi和uvicorn用于封装接口。如果你打算用更快的 Whisper 实现也可以把openai-whisper换成faster-whisper它的推理速度更快显存占用通常更小但具体参数要按你选择的模型版本测试。TTS 部分可以用edge-tts做快速验证pip install edge-ttsedge-tts调用在线语音合成服务胜在简单适合先跑通流程。如果你要离线部署或对声音稳定性要求更高可以换成本地 TTS 模型但部署步骤会复杂一些。实际测试时以你本机能安装成功、能正常推理的版本为准。3.4 准备素材目录建议把输入素材、中间产物和最终输出分开存放。比如anaconda_project/ ├── raw/ # 原始视频素材 ├── segments/ # 切分后的片段 ├── transcripts/ # 字幕和转写文本 ├── scripts/ # 解说文案 ├── audio/ # TTS 配音 └── output/ # 最终合成视频这样做的好处是批量处理时不会混在一起后续做日志和排查也更方便。如果要对多个视频任务可以在segments、transcripts等目录下再按电影或项目名建立子目录例如segments/anaconda/、transcripts/anaconda/。4. 安装部署与启动方式4.1 验证 FFmpeg 可用这一步很关键。很多问题出在 FFmpeg 没有正确安装或版本太旧。执行ffmpeg -hide_banner -formats | findstr mp4如果输出包含mp4相关格式说明基础可用。你也可以生成一个 5 秒测试文件ffmpeg -f lavfi -i testsrcduration5:size640x480:rate30 -f lavfi -i sinefrequency440:duration5 -c:v libx264 -c:a aac test.mp4这条命令会生成一个带画面和声音的测试视频用来验证后续流程不需要真实电影素材就能把整条链路跑通。如果这里报错通常说明 FFmpeg 安装有问题需要先解决。4.2 用 Python 脚本切分视频片段在实际流程中不建议手动执行太多 FFmpeg 命令而是写一个 Python 脚本统一处理。下面给一个固定时长的切分脚本后续可以再扩展成镜头检测或静音切分# segment_video.py import subprocess import sys from pathlib import Path def split_video(input_path: str, output_dir: str, segment_time: int 30): input_path Path(input_path) output_dir Path(output_dir) output_dir.mkdir(parentsTrue, exist_okTrue) pattern str(output_dir / f{input_path.stem}_%04d.mp4) cmd [ ffmpeg, -y, -i, str(input_path), -f, segment, -segment_time, str(segment_time), -c, copy, pattern ] print(运行命令:, .join(cmd)) subprocess.run(cmd, checkTrue) if __name__ __main__: split_video( input_pathsys.argv[1], output_dirsys.argv[2], segment_timeint(sys.argv[3]) if len(sys.argv) 3 else 30 )执行方式是python segment_video.py raw/anaconda.mp4 segments 30预期结果是segments目录下生成多个 30 秒的片段文件。如果视频本身比较短片段数量会少一些。这一步能验证 FFmpeg 的segment功能是否正常。如果切片后的片段有画面没有声音多半是原视频的音频流编码不被 FFmpeg 默认支持后面可以加-c:a aac重新转码。4.3 启动 FastAPI 服务等到单个脚本测试通过后可以封装成 HTTP 接口。先写一个最小可用服务# api_server.py from fastapi import FastAPI from pydantic import BaseModel app FastAPI() class TaskRequest(BaseModel): video_path: str output_dir: str segment_time: int 30 app.post(/segment) def create_segment_task(req: TaskRequest): # 这里只是示例实际处理需要调用 split_video 函数 return { status: ok, video_path: req.video_path, output_dir: req.output_dir, segment_time: req.segment_time } if __name__ __main__: import uvicorn uvicorn.run(app, host127.0.0.1, port8000)启动python api_server.py看到Uvicorn running on http://127.0.0.1:8000就是服务起来了。这一步的意义在于后续批量任务和外部系统都可以通过 HTTP 接口触发不需要每次都登录服务器敲命令。如果端口被占用可以把8000改成其他端口例如8001。5. 功能测试与效果验证下面按“切片—字幕—文案—配音—合成”的顺序分别给出测试方法和判断标准。5.1 视频片段切分测试测试目的确认 FFmpeg 能按固定时长把长视频切成多个短片段。操作步骤准备一个 2 分钟左右的测试视频。执行python segment_video.py raw/test.mp4 segments 20。查看segments目录下是否生成了 6 个 20 秒左右的视频。判断成功标准片段数符合预期每个文件都能正常播放画面和声音没有损坏。如果片段数量和理论值不一致先看 FFmpeg 日志再确认原视频时长是否准确。常见失败原因FFmpeg 未安装、路径里有中文空格导致命令解析失败、原视频编码不被支持。如果遇到中文路径问题尽量把素材路径改成纯英文例如把raw/狂蟒之灾.mp4改成raw/anaconda.mp4。5.2 语音识别辅助定位剧情节点很多解说视频会保留原片对白的一部分作为背景或者在转写后标注关键台词。可以用 Whisper 对片段做识别# transcribe.py import sys import whisper def transcribe(video_path: str, output_path: str): model whisper.load_model(base) # 可选 tiny/base/small/medium result model.transcribe(video_path, languagezh) with open(output_path, w, encodingutf-8) as f: f.write(result[text]) print(result[text]) if __name__ __main__: transcribe(sys.argv[1], sys.argv[2])执行python transcribe.py segments/test_0001.mp4 transcripts/test_0001.txt预期结果transcripts目录下出现文本文件内容大致对应视频里的对白或旁白。需要说明的是base模型的速度和准确率比较均衡但如果素材里是嘈杂环境、多说话人可能需要用small或medium模型。显存占用和推理速度会随模型大小变化具体以本机测试为准。这一步不是必需的如果只做解说文案可以直接跳到后面。5.3 大模型生成解说文案拿到片段后可以人工根据片段写解说也可以让大模型先生成初稿。下面是用 Ollama 调用本地模型的示例。如果你的环境里没有 Ollama也可以使用任意 OpenAI 兼容接口参数按实际接口调整。curl http://127.0.0.1:11434/api/generate \ -H Content-Type: application/json \ -d { model: qwen2.5, prompt: 你是一个影视解说文案助手。请根据以下片段内容写一段30秒节奏紧凑的解说词要求有悬念感不要剧透过多。片段内容……, stream: false }执行后返回的response里会有一段解说文案。用脚本调用时可以把视频转写结果作为prompt的一部分让模型把对白转成解说词。一个通用 Python 调用示例# generate_script.py import sys import requests def generate_script(transcript: str, model: str qwen2.5): url http://127.0.0.1:11434/api/generate payload { model: model, prompt: f请根据这段内容写30秒解说词{transcript}, stream: False } resp requests.post(url, jsonpayload, timeout120) return resp.json()[response] if __name__ __main__: with open(sys.argv[1], r, encodingutf-8) as f: text f.read() print(generate_script(text))判断成功标准生成的解说词通顺、和画面内容相关并且分段后可以对应到前一个视频片段。注意大模型可能编造细节尤其对剧情细节把控不准发布前必须人工复核。5.4 TTS 配音生成测试解说文案生成后用 TTS 合成配音。这里用edge-tts做测试edge-tts --voice zh-CN-YunxiNeural --text 这是一段测试解说词用于验证配音生成是否正常。 --write-media audio/test.mp3预期结果audio目录下出现一个 mp3 文件播放后能听到中文配音。如果要调整语速或音调可以查看edge-tts --help不同参数需要按版本支持情况使用。如果你要批量处理可以写一个循环脚本# tts_batch.py import asyncio import edge_tts from pathlib import Path async def gen(text, output_path): communicate edge_tts.Communicate(text, zh-CN-YunxiNeural) await communicate.save(output_path) def main(): script_dir Path(scripts) audio_dir Path(audio) audio_dir.mkdir(exist_okTrue) for script_file in sorted(script_dir.glob(*.txt)): text script_file.read_text(encodingutf-8).strip() output_path audio_dir / f{script_file.stem}.mp3 asyncio.run(gen(text, output_path)) print(f生成: {output_path}) if __name__ __main__: main()执行python tts_batch.py判断成功标准每个文案文件对应一个音频文件时长和文案长度大致匹配。如果音频太短或太长需要检查 TTS 语速参数或文案分段。5.5 最终视频合成测试把视频片段和解说音频合成到一起ffmpeg -y \ -i segments/test_0001.mp4 \ -i audio/test_0001.mp3 \ -c:v copy \ -c:a aac \ -shortest \ output/test_0001.mp4这条命令会把视频轨复制把音频转成 AAC并让输出在较短的那个流结束时停止。预期结果是生成一个带解说配音的视频片段。如果是多段批量合成建议写一个 Python 脚本循环处理所有片段并给每个任务加日志# combine.py import subprocess from pathlib import Path def combine(seg_file: Path, audio_file: Path, out_file: Path): cmd [ ffmpeg, -y, -i, str(seg_file), -i, str(audio_file), -c:v, copy, -c:a, aac, -shortest, str(out_file) ] print( .join(cmd)) subprocess.run(cmd, checkTrue) if __name__ __main__: segments sorted(Path(segments).glob(*.mp4)) audio_files sorted(Path(audio).glob(*.mp3)) Path(output).mkdir(exist_okTrue) for seg, aud in zip(segments, audio_files): 影视解说视频自动生成工作流：从切片到合成全流程解析
如果你经常刷到“一口气看完一整部恐怖片”这类解说视频大概也会好奇这种自带文案、配音、字幕和节奏剪辑的短视频是怎么在短时间内做出来的。这次我们拿《狂蟒之灾》这条素材搭一条本地可跑的“影视解说视频自动生成”工作流从原始视频素材里切片段用语音识别辅助定位剧情节奏用大模型写解说文案再用合成语音生成配音最后用 FFmpeg 把画面和声音拼成成片。先说明一个前提这不是某个开箱即用的成品软件而是一套由开源组件拼起来的工程流程。核心价值是把重复劳动自动化比如切分素材、生成字幕、整理文案、批量混流但素材版权、解说方向和最终发布前的复核仍然要自己负责。下面会覆盖环境准备、部署启动、功能测试、接口封装和批量任务按顺序走一遍就能跑通。如果你准备做影视解说、预告片混剪、课程浓缩视频这篇文章可以直接收藏。1. 核心能力速览能力项说明项目类型影视解说视频自动化工作流本地部署主要功能视频片段切分、语音识别字幕、LLM 解说文案、TTS 配音、FFmpeg 混流合成推荐硬件CPU 可跑基础流程ASR / LLM / TTS 使用 GPU 时显存占用以实际模型版本为准显存占用不确定需按实际使用的 Whisper 模型和 LLM 模型测试支持平台Windows / Linux / macOS启动方式Python 命令行脚本可封装为 FastAPI 服务是否支持 API支持可把单文件处理封装成 HTTP 接口是否支持批量任务支持按目录循环或使用任务队列适合场景影视解说初稿、预告片混剪、课程视频浓缩、素材预筛这套流程里最花时间的不是模型本身而是素材准备和参数调优。第一次跑通建议用小片段测试确认每个环节都能输出正确结果再上完整素材否则排查问题时很容易被长视频的耗时放大。2. 适用场景与使用边界这套“一口气看完”式影视解说工作流真正适合的是需要快速产出解说初稿的场景比较典型的有下面几类。个人学习与二次创作实验用已获授权或有合法使用权的素材验证技术路线比如测试 Whisper 对电影对白的识别效果、测试 TTS 的语速和语气或者验证 FFmpeg 批量合成脚本是否稳定。批量生成解说初稿把“切片—文案—配音—合成”做成流水线。以前人工剪辑一个片段可能要半小时现在脚本可以先产出一个带配音、带字幕的粗剪版本再由人来调整节奏和画面顺序。内部素材检索对大量视频素材做自动转写和摘要方便按关键词查找。比如素材库里存了一批恐怖片片段按台词内容整理索引后续做选题时能快速找到可用镜头。课程与知识类视频浓缩把讲座或课程按知识点切分再生成要点解说。这一类不依赖电影素材版权风险更小适合先跑通流程。不太适合的场景也很明确不要直接搬运未授权影片拿完整电影切几个片段就发布既无法通过平台审核也有版权风险不要试图用技术绕过平台审核或规避版权限制不要期待自动化能替代专业剪辑复杂转场、逐帧调色、手动字幕样式这些精细效果自动化流程只能提供初稿。使用边界必须反复强调不要用这套流程处理没有授权的人像、声音和版权素材。如果要发布《狂蟒之灾》相关内容需要先确认版权方许可或者使用合法素材渠道。解说类视频如果只截取必要片段、加上自己的原创解说也需要在法律允许的范围内二次创作并且保留素材出处和授权证明。涉及人脸、声音等个人信息时还涉及肖像权和声音权务必获得相关授权。3. 影视解说工作流本地部署环境准备这是一条 Python FFmpeg 开源模型的管道先准备好基础环境再进入部署和测试。3.1 操作系统与 Python 环境Windows、Linux、macOS 都可以运行。Linux 服务器更适合长时间批量任务Windows 适合本地调试。Python 建议使用 3.10 或更高版本方便兼容 Whisper、FastAPI 等常用库。先确认 Python 和 FFmpeg 是否已安装python --version ffmpeg -version如果 FFmpeg 没有安装可以用系统包管理器安装或者到 FFmpeg 官网下载对应平台的二进制文件。安装完成后再次执行ffmpeg -version能看到版本信息即可继续。3.2 创建隔离的 Python 环境不要在系统 Python 里直接装一堆依赖建议创建虚拟环境python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate激活后后续的pip install都装在这个环境里不会影响其他项目。如果系统里同时存在多个 Python 版本要确认python指向的是 3.10 以上版本。3.3 安装核心依赖建议按使用情况分批安装不要一次性把所有东西都装进去。基础依赖包括pip install openai-whisper pydub numpy pip install fastapi uvicorn requests pydantic其中openai-whisper用于语音识别fastapi和uvicorn用于封装接口。如果你打算用更快的 Whisper 实现也可以把openai-whisper换成faster-whisper它的推理速度更快显存占用通常更小但具体参数要按你选择的模型版本测试。TTS 部分可以用edge-tts做快速验证pip install edge-ttsedge-tts调用在线语音合成服务胜在简单适合先跑通流程。如果你要离线部署或对声音稳定性要求更高可以换成本地 TTS 模型但部署步骤会复杂一些。实际测试时以你本机能安装成功、能正常推理的版本为准。3.4 准备素材目录建议把输入素材、中间产物和最终输出分开存放。比如anaconda_project/ ├── raw/ # 原始视频素材 ├── segments/ # 切分后的片段 ├── transcripts/ # 字幕和转写文本 ├── scripts/ # 解说文案 ├── audio/ # TTS 配音 └── output/ # 最终合成视频这样做的好处是批量处理时不会混在一起后续做日志和排查也更方便。如果要对多个视频任务可以在segments、transcripts等目录下再按电影或项目名建立子目录例如segments/anaconda/、transcripts/anaconda/。4. 安装部署与启动方式4.1 验证 FFmpeg 可用这一步很关键。很多问题出在 FFmpeg 没有正确安装或版本太旧。执行ffmpeg -hide_banner -formats | findstr mp4如果输出包含mp4相关格式说明基础可用。你也可以生成一个 5 秒测试文件ffmpeg -f lavfi -i testsrcduration5:size640x480:rate30 -f lavfi -i sinefrequency440:duration5 -c:v libx264 -c:a aac test.mp4这条命令会生成一个带画面和声音的测试视频用来验证后续流程不需要真实电影素材就能把整条链路跑通。如果这里报错通常说明 FFmpeg 安装有问题需要先解决。4.2 用 Python 脚本切分视频片段在实际流程中不建议手动执行太多 FFmpeg 命令而是写一个 Python 脚本统一处理。下面给一个固定时长的切分脚本后续可以再扩展成镜头检测或静音切分# segment_video.py import subprocess import sys from pathlib import Path def split_video(input_path: str, output_dir: str, segment_time: int 30): input_path Path(input_path) output_dir Path(output_dir) output_dir.mkdir(parentsTrue, exist_okTrue) pattern str(output_dir / f{input_path.stem}_%04d.mp4) cmd [ ffmpeg, -y, -i, str(input_path), -f, segment, -segment_time, str(segment_time), -c, copy, pattern ] print(运行命令:, .join(cmd)) subprocess.run(cmd, checkTrue) if __name__ __main__: split_video( input_pathsys.argv[1], output_dirsys.argv[2], segment_timeint(sys.argv[3]) if len(sys.argv) 3 else 30 )执行方式是python segment_video.py raw/anaconda.mp4 segments 30预期结果是segments目录下生成多个 30 秒的片段文件。如果视频本身比较短片段数量会少一些。这一步能验证 FFmpeg 的segment功能是否正常。如果切片后的片段有画面没有声音多半是原视频的音频流编码不被 FFmpeg 默认支持后面可以加-c:a aac重新转码。4.3 启动 FastAPI 服务等到单个脚本测试通过后可以封装成 HTTP 接口。先写一个最小可用服务# api_server.py from fastapi import FastAPI from pydantic import BaseModel app FastAPI() class TaskRequest(BaseModel): video_path: str output_dir: str segment_time: int 30 app.post(/segment) def create_segment_task(req: TaskRequest): # 这里只是示例实际处理需要调用 split_video 函数 return { status: ok, video_path: req.video_path, output_dir: req.output_dir, segment_time: req.segment_time } if __name__ __main__: import uvicorn uvicorn.run(app, host127.0.0.1, port8000)启动python api_server.py看到Uvicorn running on http://127.0.0.1:8000就是服务起来了。这一步的意义在于后续批量任务和外部系统都可以通过 HTTP 接口触发不需要每次都登录服务器敲命令。如果端口被占用可以把8000改成其他端口例如8001。5. 功能测试与效果验证下面按“切片—字幕—文案—配音—合成”的顺序分别给出测试方法和判断标准。5.1 视频片段切分测试测试目的确认 FFmpeg 能按固定时长把长视频切成多个短片段。操作步骤准备一个 2 分钟左右的测试视频。执行python segment_video.py raw/test.mp4 segments 20。查看segments目录下是否生成了 6 个 20 秒左右的视频。判断成功标准片段数符合预期每个文件都能正常播放画面和声音没有损坏。如果片段数量和理论值不一致先看 FFmpeg 日志再确认原视频时长是否准确。常见失败原因FFmpeg 未安装、路径里有中文空格导致命令解析失败、原视频编码不被支持。如果遇到中文路径问题尽量把素材路径改成纯英文例如把raw/狂蟒之灾.mp4改成raw/anaconda.mp4。5.2 语音识别辅助定位剧情节点很多解说视频会保留原片对白的一部分作为背景或者在转写后标注关键台词。可以用 Whisper 对片段做识别# transcribe.py import sys import whisper def transcribe(video_path: str, output_path: str): model whisper.load_model(base) # 可选 tiny/base/small/medium result model.transcribe(video_path, languagezh) with open(output_path, w, encodingutf-8) as f: f.write(result[text]) print(result[text]) if __name__ __main__: transcribe(sys.argv[1], sys.argv[2])执行python transcribe.py segments/test_0001.mp4 transcripts/test_0001.txt预期结果transcripts目录下出现文本文件内容大致对应视频里的对白或旁白。需要说明的是base模型的速度和准确率比较均衡但如果素材里是嘈杂环境、多说话人可能需要用small或medium模型。显存占用和推理速度会随模型大小变化具体以本机测试为准。这一步不是必需的如果只做解说文案可以直接跳到后面。5.3 大模型生成解说文案拿到片段后可以人工根据片段写解说也可以让大模型先生成初稿。下面是用 Ollama 调用本地模型的示例。如果你的环境里没有 Ollama也可以使用任意 OpenAI 兼容接口参数按实际接口调整。curl http://127.0.0.1:11434/api/generate \ -H Content-Type: application/json \ -d { model: qwen2.5, prompt: 你是一个影视解说文案助手。请根据以下片段内容写一段30秒节奏紧凑的解说词要求有悬念感不要剧透过多。片段内容……, stream: false }执行后返回的response里会有一段解说文案。用脚本调用时可以把视频转写结果作为prompt的一部分让模型把对白转成解说词。一个通用 Python 调用示例# generate_script.py import sys import requests def generate_script(transcript: str, model: str qwen2.5): url http://127.0.0.1:11434/api/generate payload { model: model, prompt: f请根据这段内容写30秒解说词{transcript}, stream: False } resp requests.post(url, jsonpayload, timeout120) return resp.json()[response] if __name__ __main__: with open(sys.argv[1], r, encodingutf-8) as f: text f.read() print(generate_script(text))判断成功标准生成的解说词通顺、和画面内容相关并且分段后可以对应到前一个视频片段。注意大模型可能编造细节尤其对剧情细节把控不准发布前必须人工复核。5.4 TTS 配音生成测试解说文案生成后用 TTS 合成配音。这里用edge-tts做测试edge-tts --voice zh-CN-YunxiNeural --text 这是一段测试解说词用于验证配音生成是否正常。 --write-media audio/test.mp3预期结果audio目录下出现一个 mp3 文件播放后能听到中文配音。如果要调整语速或音调可以查看edge-tts --help不同参数需要按版本支持情况使用。如果你要批量处理可以写一个循环脚本# tts_batch.py import asyncio import edge_tts from pathlib import Path async def gen(text, output_path): communicate edge_tts.Communicate(text, zh-CN-YunxiNeural) await communicate.save(output_path) def main(): script_dir Path(scripts) audio_dir Path(audio) audio_dir.mkdir(exist_okTrue) for script_file in sorted(script_dir.glob(*.txt)): text script_file.read_text(encodingutf-8).strip() output_path audio_dir / f{script_file.stem}.mp3 asyncio.run(gen(text, output_path)) print(f生成: {output_path}) if __name__ __main__: main()执行python tts_batch.py判断成功标准每个文案文件对应一个音频文件时长和文案长度大致匹配。如果音频太短或太长需要检查 TTS 语速参数或文案分段。5.5 最终视频合成测试把视频片段和解说音频合成到一起ffmpeg -y \ -i segments/test_0001.mp4 \ -i audio/test_0001.mp3 \ -c:v copy \ -c:a aac \ -shortest \ output/test_0001.mp4这条命令会把视频轨复制把音频转成 AAC并让输出在较短的那个流结束时停止。预期结果是生成一个带解说配音的视频片段。如果是多段批量合成建议写一个 Python 脚本循环处理所有片段并给每个任务加日志# combine.py import subprocess from pathlib import Path def combine(seg_file: Path, audio_file: Path, out_file: Path): cmd [ ffmpeg, -y, -i, str(seg_file), -i, str(audio_file), -c:v, copy, -c:a, aac, -shortest, str(out_file) ] print( .join(cmd)) subprocess.run(cmd, checkTrue) if __name__ __main__: segments sorted(Path(segments).glob(*.mp4)) audio_files sorted(Path(audio).glob(*.mp3)) Path(output).mkdir(exist_okTrue) for seg, aud in zip(segments, audio_files):