将任何文档自动转换为专业短视频解说
一键将PDF、EPUB等文档智能转换为带字幕、配音、配图的高质量短视频，专为知识类内容创作设计。
- Python 3.13+（推荐）
- FFmpeg（视频处理必需）
- 支持 macOS、Windows、Linux
# 1. 安装 FFmpeg（视频合成必需的系统工具）
# macOS
brew install ffmpeg
# Windows (使用 Chocolatey)
choco install ffmpeg
# 或从 https://ffmpeg.org/download.html 下载
# Linux (Ubuntu/Debian)
sudo apt install ffmpeg
# 验证安装
ffmpeg -version
# 2. 安装 Python 依赖
pip install -r requirements.txt
# 3. 配置API密钥（复制并编辑 .env 文件）
cp .env.example .env
# 编辑 .env 文件，填入你的API密钥
# 将要制作视频的文档放入 input 文件夹
# 支持格式：PDF、EPUB、MOBI、DOCX等
cp "你的文档.pdf" input/# 启动系统
python -m cli
# 然后按提示操作：
# 1. 选择"新建项目"
# 2. 选择你的文档文件
# 3. 选择"全自动模式"（推荐新手）
# 等待5-15分钟，视频制作完成！制作完成后，在 output/项目名称_时间/ 文件夹中查看：
final_video.mp4- 最终视频文件images/- 生成的配图voice/- 语音文件和字幕text/- 文本内容（可编辑重制）
系统采用7步智能流程，将长篇文档转换为短视频：
- 输入：任意长度的文档文件（PDF、EPUB、DOCX等）
- 处理：AI模型智能提取核心内容并压缩为适合视频的篇幅（默认2000字）
- 输出：标题、开场金句、压缩正文
- 可编辑：
raw.docx可手动编辑后重新切分
- 输入：总结后的文本内容
- 处理：支持手动切分（按换行符）或自动切分（智能均分为指定段数）
- 输出：带时长预估的分段脚本（默认25段）
- 可编辑：
script.docx可调整分段和文本后重新生成
- 输入：分段脚本数据
- 处理：为每段提取视觉关键词和氛围词（keywords模式）或生成描述摘要（description模式）
- 输出：
keywords.json或mini_summary.json
- 输入：脚本 + 关键词/描述数据
- 处理：AI图像生成模型为每段创建匹配的配图，支持多种风格预设
- 输出：开场图片 + 各段配图（PNG格式）
- 支持：指定段落重新生成、切换风格
- 输入：分段脚本文本
- 处理：调用TTS引擎合成语音，支持语速、音量调节
- 输出：各段语音文件 + SRT字幕文件
- 支持：多种音色选择、指定段落重新生成
- 输入：图像、语音、字幕、背景音乐
- 处理：MoviePy合成视频，添加字幕特效和背景音乐
- 输出：高质量mp4视频文件
- 输入：项目标题和内容信息
- 处理：AI生成竖版封面图，适用于社交媒体分享
- 输出：高清封面图片（可生成多张备选）
- 特点：独立步骤，可随时生成，不影响视频制作流程
python -m cli
# 选择"全自动模式" → 一键完成所有步骤python -m cli
# 选择"分步处理" → 每步完成可编辑再继续分步模式优势：
- 步骤1后：可编辑
raw.docx调整总结内容 - 步骤1.5后：可编辑
script.docx调整分段和文本 - 步骤2后：可重新生成关键词或切换配图模式
- 步骤3后：可重跑图像生成尝试不同风格或重新生成指定段落
- 步骤4后：可重跑语音合成尝试不同音色或调整语速
- 步骤5后：可调整参数重新合成视频
- 步骤6：可随时生成封面图，支持多张备选
python -m cli
# 选择"打开现有项目" → 继续未完成的项目或重制特定步骤在 core/config.py 顶部的用户配置区域直接修改参数值。参数已按7步工作流程组织，清晰对应各步骤：
# ==================== 全局配置 ====================
OPENING_QUOTE = True # 开场金句开关（影响步骤3+5）
# ==================== 📝 步骤1：智能总结 ====================
LLM_SERVER_STEP1 = "siliconflow" # 步骤1 LLM供应商
LLM_MODEL_STEP1 = "moonshotai/Kimi-K2-Instruct-0905" # 步骤1 LLM模型
TARGET_LENGTH = 2000 # 目标字数 (500-5000)
LLM_TEMPERATURE_SCRIPT = 0.7 # 生成随机性 (0-1)
# ==================== ✂️ 步骤1.5：脚本分段 ====================
NUM_SEGMENTS = 25 # 视频分段数量 (5-50)
# ==================== 🔍 步骤2：要点提取 ====================
LLM_SERVER_STEP2 = "siliconflow" # 步骤2 LLM供应商
LLM_MODEL_STEP2 = "moonshotai/Kimi-K2-Instruct-0905" # 步骤2 LLM模型
IMAGES_METHOD = "description" # 配图方式: keywords/description
LLM_TEMPERATURE_KEYWORDS = 0.5 # 提取随机性 (0-1)
# ==================== 🎨 步骤3：图像生成 ====================
IMAGE_SERVER = "doubao" # 图像生成供应商: doubao/siliconflow/google
IMAGE_SIZE = "2560x1440" # 图像尺寸 (16:9 横屏)
IMAGE_MODEL = "doubao-seedream-4-0-250828" # 图像生成模型
IMAGE_STYLE_PRESET = "style01" # 段落图像风格
OPENING_IMAGE_STYLE = "des01" # 开场图像风格
MAX_CONCURRENT_IMAGE_GENERATION = 3 # 并发数
# ==================== 🎙️ 步骤4：语音合成 ====================
VOICE = "zh_male_yuanboxiaoshu_moon_bigtts" # 语音音色
SPEED_RATIO = 1.2 # 语速调节 (0.8-2.0)
LOUDNESS_RATIO = 1.0 # 音量调节 (0.5-2.0)
MAX_CONCURRENT_VOICE_SYNTHESIS = 5 # 并发数
# ==================== 🎬 步骤5：视频合成 ====================
VIDEO_SIZE = "1280x720" # 视频导出尺寸
ENABLE_SUBTITLES = True # 是否启用字幕
BGM_FILENAME = "Far Away.mp3" # 背景音乐文件名
BGM_DEFAULT_VOLUME = 0.18 # BGM音量
NARRATION_DEFAULT_VOLUME = 2.0 # 口播音量
# 更多视频参数: 字幕样式、时间效果、音频闪避等（见 core/config.py）
# ==================== 🖼️ 步骤6：封面生成 ====================
COVER_IMAGE_SIZE = "2250x3000" # 封面尺寸 (竖版3:4)
COVER_IMAGE_SERVER = "doubao" # 封面供应商: doubao/siliconflow/google
COVER_IMAGE_MODEL = "doubao-seedream-4-0-250828" # 封面模型
COVER_IMAGE_STYLE = "cover01" # 封面风格
COVER_IMAGE_COUNT = 1 # 生成数量💡 提示：参数按工作流程组织，每个步骤的参数一目了然。修改时只需关注对应步骤即可。
| 尺寸 | 比例 | 适用场景 |
|---|---|---|
| 1280x720 | 16:9 | YouTube、B站横屏 |
| 720x1280 | 9:16 | 抖音、快手竖屏 |
| 1024x1024 | 1:1 | 微信视频号 |
| 864x1152 | 3:4 | 小红书竖屏 |
| 风格代码 | 风格名称 | 视觉特点 |
|---|---|---|
| style01 | 概念极简 | 简洁现代，突出重点 |
| style02 | 俯视古典 | 经典构图，文艺气质 |
| style05 | 综合平衡 | 适用性广，推荐默认 |
| style08 | 科技未来 | 科幻感强，适合技术内容 |
在 .env 文件中配置以下密钥：
# LLM服务（至少配置一个）
OPENROUTER_API_KEY=your_key # 推荐，模型选择多
SILICONFLOW_KEY=your_key # 备选方案
# 图像生成（至少配置一个）
SEEDREAM_API_KEY=your_key # 豆包图像生成
SILICONFLOW_KEY=your_key # 硅基流动图像生成
GOOGLE_CLOUD_API_KEY=your_key # Google Vertex AI 生图（单一配置）
# Google图像并发上限（可选，默认2，仅 image_server=google 生效）
# GOOGLE_MAX_CONCURRENT_IMAGE_GENERATION=2
# 语音合成（必需）
BYTEDANCE_TTS_APPID=your_appid # 豆包语音
BYTEDANCE_TTS_ACCESS_TOKEN=your_token# 文档统计分析
python tools/check_text_stats.py
# 单独测试媒体生成
python tools/gen_single_media.py- 断点续制：意外中断可从任意步骤继续
- 重制优化：可重新执行特定步骤优化效果
- 批量处理：同时处理多个文档项目
- 文件编辑：支持编辑中间产物后重新处理
core 采用“业务流程 + 分层”结构，稳定入口保持不变：
core/pipeline.py：统一流程入口（兼容层，保留原有函数签名）core/config.py：用户配置入口core/prompts.py：提示词与风格预设单一来源core/generation_config.py：生成参数数据结构
内部实现按层组织：
core/application/：编排层（workflow/service/step_runner/steps）core/domain/：业务能力（document/script/media/video）core/infra/：外部适配（ai/storage/jobs/security）core/shared/：通用能力（logger/errors/retry/file/json）
详细说明见 core/ARCHITECTURE.md。
output/
└── 《你的文档标题》_MMDD_HHMM/
├── final_video.mp4 # 🎬 最终视频
├── images/
│ ├── opening.png # 开场图片
│ └── segment_1.png # 各段配图
├── voice/
│ ├── opening.wav # 开场语音
│ ├── voice_1.wav # 各段语音
│ └── 项目名_subtitles.srt # 字幕文件
└── text/
├── raw.json/.docx # 总结内容（可编辑）
├── script.json/.docx # 分段脚本（可编辑）
└── keywords.json # 关键词数据
Q: 视频制作需要多长时间？ A: 通常5-15分钟，取决于文档长度和API响应速度。
Q: 支持哪些文档格式？ A: PDF、EPUB、MOBI、DOCX、TXT等主流格式。
Q: 可以自定义背景音乐吗？
A: 可以，将mp3文件放入 music/ 文件夹，在参数中指定文件名。
Q: 如何调整视频内容？ A: 使用分步模式，每步生成的docx文件都可编辑后重新处理。
Q: API费用大概多少？ A: 主要取决于图片数量，制作一个5分钟视频的总成本约7元人民币。
-
FFmpeg 未安装：
- 错误信息：
未找到FFmpeg，无法执行口播变速 - 解决方案：按照上述说明安装 FFmpeg 并验证
ffmpeg -version可用
- 错误信息：
-
检查依赖与路径：确认已安装依赖，项目根目录存在
core/config.py、core/、cli/。 -
日志查看：
cli/cli.log或控制台输出 -
网络问题：确保API服务可访问
-
依赖问题：重新运行
pip install -r requirements.txt
开始你的智能视频创作之旅！ 🚀
将知识转化为视频，让AI为你的内容赋能。