PPT转视频：演讲视频生成器

概述

本技能将 PDF 幻灯片 + 演讲稿转换为带同步字幕的完整演讲视频。所有处理均在本地运行（Qwen3-TTS）或使用免费在线服务（edge-tts），无需付费 API。

TTS 引擎（二选一，优先 Qwen3-TTS）：

• Qwen3-TTS（推荐）：阿里通义千问团队开源语音合成模型，本地运行，支持声音克隆（提供参考音频即可复刻音色），也支持预设音色
• edge-tts（备选）：微软免费在线 TTS 服务，无需 GPU，需联网，仅支持预设音色（不支持声音克隆）

核心流水线：演讲稿处理 → 语音合成（可选声音克隆） → 视频生成 → 最终合并

🎬 Remotion 模式（原生组件）

> 当用户明确要求使用 Remotion 生成视频时，启用此模式。

核心规则（强制）

禁止使用 PPT/PDF 截图作为视频内容。必须用 Remotion 原生 TSX 组件重新设计每一页的视觉内容。

动画触发帧必须与 timing_data.json 中对应句子的时间戳对齐。禁止使用固定帧数或固定循环触发动画。

原因：截图分辨率低、有白边、无法动画、无法响应字幕节奏；原生组件全矢量、动画精确可控、体积更小。

工作流差异

详细规范

完整的设计规范、布局模板、hooks 使用规则、字幕同步机制见：

references/remotion-guide.md

前置条件

开始前，请确认以下工具和模型已安装。

🔍 一键环境检查（推荐）

首次使用前，运行环境检查脚本确认所有依赖已就绪：

python {SKILL_DIR}/scripts/check_environment.py

该脚本会检查：

• ✅ 系统工具（FFmpeg、ffprobe）
• ✅ Python 核心依赖（numpy、PyMuPDF）
• ✅ TTS 引擎（qwen-tts 或 edge-tts）
• ⚠️ 可选依赖（whisper、demucs 等）
• 📦 已缓存的 Qwen3-TTS 模型
• 🔤 系统字体

如果检测到缺失依赖，脚本会给出具体的安装命令。

必需的系统工具

• FFmpeg（含 ffprobe）：brew install ffmpeg-full（macOS，完整版）或系统包管理器
• Python 3.8+ 及 pip

必需的 Python 包

pip install numpy PyMuPDF

TTS 引擎（至少安装其一）

# 方式一（推荐）：Qwen3-TTS — 本地高质量语音合成
pip install -U qwen-tts

# 方式二：edge-tts — 微软在线 TTS，无需 GPU
pip install edge-tts

可选（增强功能）

• openai-whisper（pip install openai-whisper）：语音转文字（步骤1筛选参考片段时需要）
• Demucs（pip install demucs）：人声分离（仅需从视频中提取人声时使用）
• pdf2image + Poppler：备用 PDF 转换后端

⚡ 快速安装所有推荐依赖

# 核心依赖
pip install numpy PyMuPDF

# 推荐 TTS 引擎
pip install -U qwen-tts

# 可选：完整功能
pip install edge-tts openai-whisper demucs

工作流程

步骤 0（必需）：LLM 整理演讲稿格式

重要：用户提供的演讲稿可能是各种格式（Word 导出、笔记软件导出、手动编写等），在调用 step2_process_speech.py 之前，必须先使用 LLM 将演讲稿整理成标准格式。

整理标准

演讲稿必须符合以下 Markdown 结构：

## 第 1 页 幻灯片标题

第 1 页的演讲内容第一段。

第 1 页的演讲内容第二段。

---

## 第 2 页 另一页标题

第 2 页的演讲内容。

LLM 整理提示词

当用户提供了演讲稿但格式不符合标准时，执行以下步骤：

1. 调用 LLM 整理格式：

你是一个专业的演讲稿整理助手。请将用户输入的演讲稿整理成标准格式。

## 输出格式要求
1. 使用 ## 第 X 页 标题 的格式来标识每一页幻灯片的开始
2. 每页内容放在标题下方，使用连续的自然段落
3. 删除所有与演讲内容无关的元信息（如备注、作者、时间戳、邮箱等）
4. 保留演讲的核心文字内容和标点符号
5. 清理特殊格式字符，但保留标点
6. 如果原稿件没有明确的页码划分，请根据内容逻辑合理分页（每页建议200-400字）
7. 保持原文语义不变，不要添加或删减实质内容
8. 使用 --- 作为页面之间的分隔符

## 示例

### 示例输入（混乱格式）：
各位朋友大家好
Page 1
欢迎致辞
今天非常高兴...

### 示例输出：
## 第 1 页 欢迎致辞
各位朋友大家好，今天非常高兴。

---

## 第 2 页 主题介绍
...

2. 将 LLM 返回的标准格式内容写入文件（如 output/step0_manuscript_formatted.md）

3. 后续步骤使用整理后的文件，而非原始文件

输入要求

📋 输入文件校验（推荐）

运行流水线前，可使用校验脚本检查输入文件格式：

python {SKILL_DIR}/scripts/validate_inputs.py \
    --speech_md <演讲稿.md> \
    --slides_pdf <幻灯片.pdf> \
    --reference_voice <参考音频.wav>  # 可选

该脚本会检查：

• PDF 文件有效性和页数
• 演讲稿格式是否符合标准（## 第 X 页 格式）
• 演讲稿页数与 PDF 页数是否匹配
• 参考音频时长和格式（如果提供）
• 特殊字符和数字的 TTS 兼容性

如果发现问题，脚本会给出具体的修复建议。

快速开始 — 一键运行

使用 Qwen3-TTS + 声音克隆（推荐，需提供参考音频）

python {SKILL_DIR}/scripts/run_pipeline.py \
    --speech_md <演讲稿.md> \
    --slides_pdf <幻灯片.pdf> \
    --output_dir <输出目录> \
    --tts_engine qwen3 \
    --reference_voice <参考音频.wav>

使用 Qwen3-TTS + 预设音色（无参考音频时）

python {SKILL_DIR}/scripts/run_pipeline.py \
    --speech_md <演讲稿.md> \
    --slides_pdf <幻灯片.pdf> \
    --output_dir <输出目录> \
    --tts_engine qwen3 \
    --speaker "Vivian"

指定使用 edge-tts

python {SKILL_DIR}/scripts/run_pipeline.py \
    --speech_md <演讲稿.md> \
    --slides_pdf <幻灯片.pdf> \
    --output_dir <输出目录> \
    --tts_engine edge \
    --edge_voice "zh-CN-XiaoxiaoNeural"

将 {SKILL_DIR} 替换为本技能目录的绝对路径。

常用选项：

Qwen3-TTS 可用音色

edge-tts 推荐语音

分步执行

如需更精细控制，可逐步运行：

（步骤 0 在上方"步骤 0（必需）"中说明，推荐在所有步骤之前执行）

步骤 1：提取人声并筛选参考片段（可选）

从参考视频/音频中提取纯净人声，自动筛选最佳参考片段（5~10秒）。

处理流程：

1. 仅提取前 3 分钟音频（避免长视频全量处理）
2. 使用 Demucs 分离人声与背景噪声
3. 使用 Whisper 转录人声为带时间戳的文字
4. 自动筛选一句 5~10 秒、语句独立、声音清晰的片段
5. 截取该片段的音频与文字，传给第3步声音克隆

python {SKILL_DIR}/scripts/step1_extract_voice.py \
    --input <视频或音频路径> \
    --output_dir <输出目录>/step1_voice

脚本位置：scripts/step1_extract_voice.py

筛选评分维度：

• 时长适中（接近 7 秒最佳，满分 30）
• 语句完整（以句号结尾更佳，满分 20）
• 声音清晰（RMS 能量 + 静音比例，满分 30）
• 文字长度合理（20~80字，满分 10）
• 位置偏好（靠前片段通常更好，满分 10）

输出：

• reference_voice.wav — 最佳参考音频片段（5~10秒）
• reference_text.txt — 对应的转录文字
• reference_info.json — 片段详细信息（时间、文字、评分等）

步骤 2：处理演讲稿

解析并清洗 Markdown 演讲稿，生成结构化 TTS 数据。

python {SKILL_DIR}/scripts/step2_process_speech.py \
    --input <演讲稿.md> \
    --output <输出目录>/step2_speech_data.json

脚本位置：scripts/step2_process_speech.py

处理流程：

1. 从 ## 第 X 页 标题解析页面边界
2. 清洗 Markdown 格式：移除 粗体、斜体、时间标注、引用
3. 将破折号转换为逗号以符合自然语流
4. 在标点处拆分句子
5. 处理超长句子（>80字符）在逗号处拆分
6. 生成 TTS 友好的发音文本（tts_sentences），包括：
• 术语发音规范化（从 config/pronunciation_map.json 加载）
• 目录路径读音转换：自动将路径转为口语化表达

目录路径读音规则：

字幕（sentences）保持原始书面写法不变，TTS 文本（tts_sentences）按以下规则转换：

> 💡 智能去重：如果路径后面已有"目录"或"下"等字样，不会重复追加"目录"。例如 scripts/ 目录下 → "scripts 目录下"。

输出：包含每页句子的结构化 JSON

步骤 3：语音合成

使用 Qwen3-TTS（支持声音克隆）或 edge-tts（预设音色）生成演讲音频。

# Qwen3-TTS + 声音克隆
python {SKILL_DIR}/scripts/step3_clone_voice.py \
    --speech_json <演讲数据.json> \
    --output_dir <输出目录>/step3_tts \
    --tts_engine qwen3 \
    --reference_voice <参考音频.wav>

# Qwen3-TTS + 预设音色
python {SKILL_DIR}/scripts/step3_clone_voice.py \
    --speech_json <演讲数据.json> \
    --output_dir <输出目录>/step3_tts \
    --tts_engine qwen3 \
    --speaker "Vivian"

# edge-tts（预设音色）
python {SKILL_DIR}/scripts/step3_clone_voice.py \
    --speech_json <演讲数据.json> \
    --output_dir <输出目录>/step3_tts \
    --tts_engine edge \
    --edge_voice "zh-CN-XiaoxiaoNeural"

脚本位置：scripts/step3_clone_voice.py

处理流程：

1. 自动检测可用的 TTS 引擎（Qwen3-TTS 优先，edge-tts 备选）
2. Qwen3-TTS 模式：
• 有参考音频 → 声音克隆模式（使用 Base 模型，克隆参考音色）
• 无参考音频 → 预设音色模式（使用 CustomVoice 模型，内置音色）
3. edge-tts 模式：使用微软在线预设音色（不支持声音克隆）
4. 逐句生成音频
5. 插入句子间停顿（0.4秒）和页面间停顿（1.0秒）
6. 记录精确的时间元数据
7. 拼接为完整演讲音频

输出：

• full_speech.wav — 完整演讲音频
• timing_data.json — 精确时间数据（含 tts_engine 字段标记引擎）
• sentences/ — 逐句音频文件
• slides/ — 逐页音频文件

步骤 4：生成幻灯片视频

将 PDF 幻灯片转换为与音频时长匹配的视频。

python {SKILL_DIR}/scripts/step4_generate_video.py \
    --pdf <幻灯片.pdf> \
    --timing_json <时间数据.json> \
    --output_dir <输出目录>/step4_video

脚本位置：scripts/step4_generate_video.py

输出：slides_video.mp4 — 无声幻灯片视频

步骤 5：合并视频、音频和字幕

将所有组件合并为最终演讲视频。

python {SKILL_DIR}/scripts/step5_merge_all.py \
    --video <幻灯片视频.mp4> \
    --audio <完整音频.wav> \
    --timing_json <时间数据.json> \
    --output <最终输出.mp4>

脚本位置：scripts/step5_merge_all.py

字幕样式：白色文字，PingFang SC 字体，黑色描边，半透明阴影，底部居中。

输出：final_presentation.mp4 — 带字幕的完整演讲视频

🔄 重新生成单句 TTS 音频

如果对某一句的 TTS 效果不满意，可以使用 --regenerate 参数只重新生成指定的句子，其余句子复用已有音频，然后自动重新拼接并合成最终视频。

查看当前所有句子：

# 查看 timing_data.json 中的句子列表
cat <输出目录>/step3_tts/timing_data.json | python3 -c "
import json,sys
data=json.load(sys.stdin)
for s in data['slides']:
    for sent in s['sentences']:
        print(f\"slide{s['slide_number']}_sent{sent['index']:03d}: {sent['text'][:60]}\")
"

重新生成指定句子（支持多种格式）：

# 格式1: slide<页码>_sent<句号>
python {SKILL_DIR}/scripts/run_pipeline.py \
    --speech_md <演讲稿.md> \
    --slides_pdf <幻灯片.pdf> \
    --output_dir <输出目录> \
    --reference_voice <参考音频.wav> \
    --regenerate slide1_sent000 slide3_sent002

# 格式2: <页码>:<句号>（更简洁）
python {SKILL_DIR}/scripts/run_pipeline.py \
    --speech_md <演讲稿.md> \
    --slides_pdf <幻灯片.pdf> \
    --output_dir <输出目录> \
    --regenerate 1:0 3:2

# 格式3: 整页重新生成
python {SKILL_DIR}/scripts/run_pipeline.py \
    --speech_md <演讲稿.md> \
    --slides_pdf <幻灯片.pdf> \
    --output_dir <输出目录> \
    --regenerate slide2

注意事项：

• 使用 --regenerate 时，步骤 1（声音提取）和步骤 2（演讲稿处理）会自动跳过
• 指定句子的音频文件会被新生成的文件覆盖
• 所有页面音频和完整音频会自动重新拼接
• timing_data.json 会自动更新
• 由于固定了随机种子（seed=42），同样的文本会生成一样的结果；如需不同效果，可配合 --temperature 0.5 使用
• 也可直接调用 step3 脚本单独使用 --regenerate

演讲稿格式

演讲稿应遵循标准 Markdown 结构（详见上方"步骤 0"）。step2_process_speech.py 会自动清洗以下格式：

自动清洗处理：

• Markdown 粗体/斜体：文字 → 文字
• 时间标注：（约 1 分钟） → 移除
• 引用块：> 文字 → 文字
• 代码反引号：` 代码 → 代码`
• 破折号：—— → ，（符合自然语流）

常见问题排查

进程安全与断点续传

流水线内置了三重防护机制，避免并发冲突和重复工作：

1. 进程锁（Process Lock）：run_pipeline.py 和 step3_clone_voice.py 均使用 fcntl.flock() 文件锁。同一输出目录下只允许一个流水线实例运行，重复启动会立即报错退出，不会产生多个进程竞争写入的问题。
2. 断点续传（Resume）：步骤 3（TTS 生成）会自动检测已有的有效音频文件。如果流水线中途中断后重新运行，已成功生成的句子音频会被跳过，只生成缺失的部分，大幅节省时间。
3. 引擎一致性检查（Engine Consistency）：输出目录会记录上次使用的 TTS 引擎。如果本次运行切换了引擎（如从 qwen3 切换到 edge），会自动清除旧引擎生成的音频并重新生成，避免混用不同引擎的音频导致音色不一致。

TTS 引擎问题

• Qwen3-TTS 加载失败：确保已安装 pip install -U qwen-tts，需要较大内存（建议 8GB+）
• edge-tts 连接失败：检查网络连接，edge-tts 需要访问微软 TTS 服务
• 两个引擎都没安装：至少安装一个 — pip install -U qwen-tts 或 pip install edge-tts

PDF 转换

• 安装 PyMuPDF（pip install PyMuPDF）作为主后端
• 降级方案：pip install pdf2image + 安装 poppler

字幕渲染

• 验证字体存在：fc-list | grep "PingFang"
• Linux 系统：使用 Noto Sans CJK SC 替代 PingFang SC
• Windows 系统：使用 Microsoft YaHei 替代

音视频同步

• 确保 timing_data.json 时间数据一致
• 验证整个流水线使用 24kHz 采样率
• 检查 FFmpeg 版本支持 AAC 编码

相关资源

• 流水线技术指南：references/pipeline_guide.md — 详细技术架构与设计
• 脚本目录：scripts/ — 所有可执行的流水线脚本