AI 视频批量生成系统：从 PPT 到视频的全自动流水线

项目背景

这是一个将 PPT 或文案自动转化为视频的批处理工具。场景来源很实际：内容创作者需要将课程讲义、产品演示、知识科普等内容批量制作成视频发布到短视频平台。手动操作太慢——每做一个视频要配音、加字幕、配背景音乐、做转场——而配置驱动、一键批量生成才是解决方案。

处理流程

PPT/文案输入 → 解析结构 → 生成配音文案 → TTS 语音合成 → 对齐时长 → 加转场 + 背景音乐 → 拼接输出

1. 解析阶段

使用 python-pptx 库解析 PPT 文件：

from pptx import Presentation

def parse_pptx(path):
    prs = Presentation(path)
    slides = []
    for slide in prs.slides:
        slide_text = ""
        for shape in slide.shapes:
            if shape.has_text_frame:
                for para in shape.text_frame.paragraphs:
                    slide_text += para.text + "\n"
        slides.append(slide_text.strip())
    return slides

踩坑：python-pptx 只支持 .pptx 格式，不支持旧的 .ppt。旧格式需要先用 LibreOffice 转换。

2. 配音生成

每页 PPT 的文案通过 LLM 生成配音脚本（保留关键信息、适配口语化表达），然后调用 TTS 接口合成语音。TTS 使用 Edge TTS（微软免费接口），质量高且延迟低。

不同页面长度 → LLM 生成配音 → 分配 TTS 配额 → 缓存已生成的音频避免重复 API 调用

3. 时长对齐与视频拼接

配音时长决定每页在视频中的停留时间。视频拼接使用 FFmpeg：

# 单张图片 + 配音 → 视频片段
ffmpeg -loop 1 -i slide.png -i audio.mp3 -c:v libx264 -tune stillimage        -c:a aac -b:a 192k -pix_fmt yuv420p -t ${duration} output.mp4

注意码率控制：-b:v 设置视频码率，-crf 控制质量。初期未控制码率导致生成文件过大（500MB 的 5 分钟视频），加了 -crf 23 -b:v 2M 后控制在合理范围。

4. 字幕叠加

使用 FFmpeg 的 subtitles 滤镜或者用 Python 逐帧渲染字幕图片叠加。后者更灵活但速度慢。折中方案：先不加字幕生成视频，再用 ASS 字幕文件通过 FFmpeg 合成：

ffmpeg -i video.mp4 -vf "ass=subtitles.ass" output.mp4

配置驱动

整个工具的核心理念是不改代码改配置：

# config.yaml
output:
  resolution: "1920x1080"
  fps: 30
  bitrate: "2M"
audio:
  voice: "zh-CN-XiaoxiaoNeural"
  rate: "+0%"
transitions:
  type: "fade"
  duration: 0.5
background_music:
  path: "./bgm.mp3"
  volume: 0.15

通过 YAML 配置文件控制输出质量、配音声线、转场风格、背景音乐等所有参数，需要调整时只改配置文件即可。

踩坑汇总

问题	表现	解决
python-pptx 不支持 .ppt	运行报错	先用 LibreOffice 转换
视频体积过大	5 分钟 500MB	加 -crf 23 -b:v 2M
TTS 配额限制	批量调用被限流	预处理缓存 + 队列控制
中文字体缺失	字幕方块乱码	指定系统已安装的中文字体路径

总结

这个工具验证了"配置驱动 + 流水线编排"在视频批量生成场景的有效性。核心工作量不在编程而在打磨各个参数，一旦跑通，生成 10 个视频和生成 100 个视频的成本差异几乎为零。