PPT转视频生成器

要解决的问题

制作演讲视频时，通常需要将 PDF 幻灯片与 Markdown 格式的演讲稿同步，生成带字幕的完整视频。手动操作涉及多个工具（如视频编辑软件、TTS 服务和字幕添加），过程繁琐且容易出错。特别是需要精确对齐音频时间戳、处理超长句子或支持声音克隆时，技术门槛更高。对于希望自动化这一流程的开发者，一个集成化的工具能显著减少重复工作。

工作原理与关键步骤

技能 ppt-to-video 提供了一套端到端的流水线，核心步骤包括：

• 步骤 0：整理演讲稿格式。使用 LLM 将用户提供的任意格式脚本转换为标准 Markdown 结构，确保页眉以 ## 第 X 页 划分，便于后续处理。
• 步骤 1：提取人声（可选）。如果提供参考音频，使用 Demucs 分离人声，并自动筛选最佳片段（5-10 秒）用于声音克隆，支持从视频中提取。
• 步骤 2：处理演讲稿。解析 Markdown，清洗格式（如移除 **粗体** 和 *斜体*），拆分句子（处理超长句），生成 TTS 友好文本，包括目录路径的口语化转换（例如 ~/.codebuddy/skills/ 变为“家目录下 codebuddy skills 目录”）。
• 步骤 3：语音合成。支持两种 TTS 引擎：优先使用 Qwen3-TTS（本地运行，基于阿里通义千问，支持声音克隆）或备选 edge-tts（微软免费在线服务，仅预设音色）。引擎自动检测，生成逐句音频，插入停顿（默认句子间 0.4 秒、页面间 1.0 秒），并记录精确时间元数据到 timing_data.json。
• 步骤 4：生成幻灯片视频。有两种模式：传统模式使用 FFmpeg 从 PDF 截图生成视频；Remotion 模式要求使用原生 TSX 组件重新设计视觉内容，确保动画帧与 timing_data.json 时间戳对齐，避免截图的低分辨率和动画限制。
• 步骤 5：合并组件。将视频、音频和字幕合并为最终 final_presentation.mp4。字幕默认使用白色文字、PingFang SC 字体、黑色描边，支持烧录或软字幕模式。

技能内置断点续传、进程锁和引擎一致性检查，确保流水线稳定运行，例如中断后重新运行会跳过已完成的 TTS 音频。

注意事项与限制

• 输入要求：必须提供 PDF 幻灯片和按页划分的 Markdown 演讲稿（格式如 ## 第 1 页）。演讲稿需符合标准，建议先运行输入校验脚本检查页数匹配和格式。
• 依赖工具：核心依赖包括 FFmpeg（用于音视频处理）、Python 3.8+ 和特定包（如 PyMuPDF 用于 PDF 转换）。TTS 引擎需安装 qwen-tts 或 edge-tts；可选 Whisper（用于步骤 1 语音转文字）和 Demucs（人声分离）。
• 性能与资源：Qwen3-TTS 本地运行需要较大内存（建议 8GB+），而 edge-tts 需联网。视频生成耗时取决于幻灯片数量和分辨率（默认 1920x1080）。
• 音视频同步：确保 timing_data.json 时间数据一致，使用 24kHz 采样率。字幕渲染依赖系统字体，如 Linux 系统需替换为 Noto Sans CJK SC。
• 重新生成：支持单句 TTS 重新生成，使用 --regenerate 参数指定句子，自动更新时间数据并重新合并视频。

该技能为技术人员提供了灵活且强大的自动化工具，但需注意环境配置和依赖管理，以避免常见问题如 TTS 加载失败或字体缺失。