AI 体育赛事精彩集锦自动剪辑工具

一个面向个人使用的体育比赛视频自动剪辑工具。系统可以读取本地视频或上传视频，自动识别比赛中的精彩片段，生成中文解说、TTS 配音、字幕，并合成为最终集锦视频。

V1 版本不内置 YouTube / Bilibili 自动下载能力。推荐先使用 yt-dlp 手动下载视频，再通过本系统处理本地文件。

功能特性

本地视频上传
直接使用本机视频路径创建任务
MySQL 任务与片段数据存储
Redis + Celery 异步任务处理
FFprobe 视频信息解析
FFmpeg 音频提取、片段裁剪、音轨混合、视频合成
faster-whisper 语音识别
中英文关键词精彩片段识别
Qwen / DeepSeek / OpenAI-compatible API 解说文案生成
Edge-TTS 中文配音
SRT 字幕生成
React 前端工作台
任务进度查询、失败重试、结果下载

技术栈

模块	技术
后端 API	FastAPI
异步任务	Celery
队列	Redis
数据库	MySQL
视频处理	FFmpeg / FFprobe
语音识别	faster-whisper
文案生成	OpenAI SDK compatible API
TTS	Edge-TTS
前端	React + Vite + TypeScript
部署	Docker Compose / 本地运行

项目结构

highlight/
├── backend/
│   ├── app/
│   │   ├── api/                 # HTTP API
│   │   ├── models/              # SQLAlchemy 模型
│   │   ├── schemas/             # 响应结构
│   │   ├── services/            # 视频、音频、ASR、LLM、TTS、合成服务
│   │   ├── utils/               # FFmpeg、文件、时间工具
│   │   └── workers/             # Celery 任务
│   ├── storage/                 # 本地处理文件，默认不提交 Git
│   ├── Dockerfile
│   ├── requirements.txt
│   └── .env.example
├── frontend/
│   ├── src/
│   ├── package.json
│   └── vite.config.ts
├── docker-compose.yml
├── ai_sports_highlight_v1_design.md
├── AI足球精彩集锦V1实现补齐记录.md
└── README.md

环境要求

Python 3.12+
Node.js 20+
MySQL 8.x
Redis 7.x
FFmpeg / FFprobe

确认 FFmpeg 可用：

ffmpeg -version
ffprobe -version

Windows 推荐将 FFmpeg 的 bin 目录加入 PATH，例如：

D:\Tools\ffmpeg\bin

配置

复制环境变量模板：

cd backend
copy .env.example .env

默认配置示例：

REDIS_URL=redis://localhost:6379/0
DATABASE_URL=mysql+pymysql://root:123456@127.0.0.1:3306/highlight?charset=utf8mb4

LLM_PROVIDER=local
OPENAI_API_KEY=
OPENAI_BASE_URL=
OPENAI_MODEL=gpt-4o-mini

WHISPER_MODEL=small
WHISPER_DEVICE=cpu
WHISPER_COMPUTE_TYPE=int8
WHISPER_BEAM_SIZE=1

TTS_PROVIDER=aliyun
TTS_FALLBACK_PROVIDER=edge
ALIYUN_TTS_APPKEY=
ALIYUN_TTS_TOKEN=
ALIYUN_TTS_VOICE=xiaoyun
ALIYUN_TTS_FORMAT=mp3
ALIYUN_TTS_SAMPLE_RATE=16000
ALIYUN_TTS_VOLUME=50
ALIYUN_TTS_SPEECH_RATE=0
ALIYUN_TTS_PITCH_RATE=0

TTS_VOICE=zh-CN-YunxiNeural
TTS_RATE=+15%
TTS_VOLUME=+0%

DEFAULT_PRE_SECONDS=20
MERGE_INTERVAL_SECONDS=15

使用 Qwen API 示例：

LLM_PROVIDER=qwen
OPENAI_API_KEY=your_dashscope_api_key
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
OPENAI_MODEL=qwen-plus

使用 DeepSeek API 示例：

LLM_PROVIDER=deepseek
OPENAI_API_KEY=your_deepseek_api_key
OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_MODEL=deepseek-chat

不要将 .env、API Key、cookies 文件提交到 GitHub。

TTS 说明

默认推荐使用阿里云智能语音交互 TTS 作为主力配音：

TTS_PROVIDER=aliyun
TTS_FALLBACK_PROVIDER=edge
ALIYUN_TTS_APPKEY=your_aliyun_nls_appkey
ALIYUN_TTS_TOKEN=your_aliyun_nls_token
ALIYUN_TTS_VOICE=xiaoyun

TTS_FALLBACK_PROVIDER=edge 表示阿里云失败时再尝试 Edge-TTS。Edge-TTS 使用的是非官方微软接口，可能出现 403 或 NoAudioReceived，不建议作为主力。

如果阿里云和 Edge-TTS 都失败，系统会记录错误并临时跳过配音，继续合成带原声和字幕的视频，避免整个任务中断。

如果不希望使用备用，可以设置：

TTS_FALLBACK_PROVIDER=

本地启动

1. 启动 MySQL 和 Redis

确保本机服务可访问：

MySQL: 127.0.0.1:3306
Redis: 127.0.0.1:6379

应用启动时会自动创建 highlight 数据库和所需表。

2. 启动后端

cd backend
python -m venv .venv
.\.venv\Scripts\activate
pip install -r requirements.txt
python -m uvicorn app.main:app --reload --host 127.0.0.1 --port 8000

3. 启动 Worker

另开一个终端：

cd backend
.\.venv\Scripts\activate
celery -A app.workers.celery_app.celery_app worker --loglevel=info --pool=solo

如果 Redis 不可用，后端会降级使用 FastAPI BackgroundTasks 处理任务，适合本地调试；正式处理长视频仍建议启动 Redis + Celery Worker。

4. 启动前端

cd frontend
npm install
npm run dev

访问地址：

Docker Compose

docker compose up --build

当前 docker-compose.yml 默认使用宿主机 MySQL：

mysql+pymysql://root:123456@host.docker.internal:3306/highlight?charset=utf8mb4

Redis 会由 Docker Compose 启动。

使用流程

方式一：上传视频

打开前端页面
选择 mp4 / mov / mkv / webm 文件
点击上传
点击启动处理
等待任务完成
下载最终视频

方式二：直接使用本地视频路径

如果视频已经在本机磁盘上，可以不上传文件，直接创建任务：

{
  "videoPath": "D:\\Projects\\own\\video\\downloads\\match.mp4"
}

前端提供“使用本地路径”输入框。后端会校验文件是否存在，并直接读取该路径处理。

API

上传视频

POST /api/videos/upload
Content-Type: multipart/form-data

使用本地路径创建任务

POST /api/videos/from-path
Content-Type: application/json

{
  "videoPath": "D:\\Projects\\own\\video\\downloads\\match.mp4"
}

启动处理

POST /api/videos/{taskId}/process

重试失败任务

POST /api/videos/{taskId}/retry

查询任务

GET /api/videos/{taskId}

查询精彩片段

GET /api/videos/{taskId}/segments

下载结果

GET /api/videos/{taskId}/download

旧版兼容接口仍保留：

POST /api/tasks/{taskId}/start
GET  /api/tasks/{taskId}
GET  /api/tasks/{taskId}/segments
GET  /api/tasks/{taskId}/download

处理输出

默认输出目录：

backend/storage/
├── uploads/{taskId}/original.ext
├── audio/{taskId}/audio.wav
├── subtitles/{taskId}/transcript.json
├── subtitles/{taskId}/subtitle_001.srt
├── clips/{taskId}/clip_001.mp4
├── clips/{taskId}/composed_001.mp4
├── voices/{taskId}/voice_001.mp3
└── outputs/{taskId}/final.mp4

精彩片段识别规则

V1 使用字幕关键词和音频峰值识别精彩片段。

支持事件类型：

goal
penalty
save
free_kick
red_card
yellow_card
winner
counter_attack
audio_peak
fallback
goal_candidate

默认裁剪规则：

片段开始 = 事件时间 - 20 秒
片段结束 = 事件时间 + 25 秒
相邻片段间隔 <= 15 秒时合并

手动下载视频

V1 不内置自动下载。可以使用 yt-dlp 先下载视频，再上传或使用本地路径处理。

YouTube 示例：

yt-dlp `
  --js-runtimes node `
  --remote-components ejs:github `
  --extractor-args "youtube:player_client=tv,web" `
  --cookies "D:\Projects\own\video\www.youtube.com_cookies.txt" `
  -f "bestvideo+bestaudio/best" `
  -o "D:\Projects\own\video\downloads\%(title)s.%(ext)s" `
  "https://www.youtube.com/watch?v=AnVddbzrpc0"

Bilibili 示例：

yt-dlp `
  --cookies "D:\Projects\own\video\www.bilibili.com_cookies.txt" `
  --add-header "Referer:https://www.bilibili.com/" `
  --add-header "Origin:https://www.bilibili.com" `
  -f "bestvideo+bestaudio/best" `
  -o "D:\Projects\own\video\downloads\%(title)s.%(ext)s" `
  "https://www.bilibili.com/video/BV1RV9mB4EzZ/"

cookies 文件可能包含账号敏感信息，不要提交到仓库。

性能参考

处理耗时主要取决于 Whisper 语音识别。

粗略估计：

视频长度	CPU + small 模型	GPU + small 模型
20 分钟	15-45 分钟	5-15 分钟
2 小时 49 分钟	2-6 小时	20-90 分钟

首次运行可能需要下载 Whisper 模型。

长视频在 TRANSCRIBING 阶段耗时最长。新版代码会在 Whisper 逐段转写时把进度从 30% 增量更新到 44%；如果某个任务是在旧代码下启动的，转写完成前可能仍会长时间停在 30%，但 worker 进程 CPU 持续增长通常表示仍在处理。

GitHub 提交建议

提交前确认不要包含：

.env
API Key
cookies 文件
backend/storage/
frontend/node_modules/
frontend/dist/
__pycache__/
日志文件

当前状态

已验证：

python -m compileall app
npm run build
MySQL 表创建和字段补齐
FFmpeg / FFprobe 可用

更多实现细节见：

Name		Name	Last commit message	Last commit date
Latest commit History 2 Commits
backend		backend
frontend		frontend
.gitignore		.gitignore
README.md		README.md
docker-compose.yml		docker-compose.yml

Folders and files

Latest commit

History

Repository files navigation

AI 体育赛事精彩集锦自动剪辑工具

功能特性

技术栈

项目结构

环境要求

配置

TTS 说明

本地启动

1. 启动 MySQL 和 Redis

2. 启动后端

3. 启动 Worker

4. 启动前端

Docker Compose

使用流程

方式一：上传视频

方式二：直接使用本地视频路径

API

上传视频

使用本地路径创建任务

启动处理

重试失败任务

查询任务

查询精彩片段

下载结果

处理输出

精彩片段识别规则

手动下载视频

性能参考

GitHub 提交建议

当前状态

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages