PPT to Video Generator — PPT 到视频生成器

PPT 到视频生成器将 PPT 课件自动转换为带有中文旁白、同步字幕、音画精确对齐的讲解视频。

触发场景：用户上传 PPT 文件并要求生成视频，需要制作课程讲解视频、培训视频、演示视频，提到 "PPT 转视频"、"课件视频"、"讲解视频"。

核心原则：

• PPT 画面为主：PPT 本身已包含标题和要点，不叠加额外文字动画（避免重叠）
• 音画精确同步：每页独立音频，画面时长 = 音频精确时长
• 字幕安全区：底部 15% 独立区域，不与 PPT 画面重叠
• 中文全流程：旁白、字幕均为简体中文

工作流程： Step 1：提取 PPT 图片

from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE
import os
prs = Presentation("input.pptx")
output_dir = "public/slides"
os.makedirs(output_dir, exist_ok=True)
for i, slide in enumerate(prs.slides, 1):
    for shape in slide.shapes:
        if shape.shape_type == MSO_SHAPE_TYPE.PICTURE:
            image = shape.image
            filepath = os.path.join(output_dir, f"slide_{i:02d}.{image.ext}")
            with open(filepath, "wb") as f:
                f.write(image.blob)
            print(f"Slide {i}: {filepath}")
            break

注意：如果 PPT 是文字型（非图片型），需要额外截图或导出为图片。

Step 2：编写逐页讲解词 原则：

• 每页 5-10 秒讲解词
• 口语化，避免书面语
• 关键数据要强调
• 与 PPT 内容对应，不添加 PPT 上没有的信息

格式： 页 1：今天聊 AI 视频的双轨实践 页 2：感性路线 Seedance 用 AI 画画，理性路线 Remotion 用代码控制 页 3：Seedance 四大能力，但单次只支持四到十五秒

Step 3：生成逐页音频 关键：每页独立生成音频片段，不要生成一条全长音频

edge-tts --voice zh-CN-XiaoxiaoNeural --text "今天聊 AI 视频的双轨实践" --write-media p01.mp3
edge-tts --voice zh-CN-XiaoxiaoNeural --text "感性路线 Seedance 用 AI 画画" --write-media p02.mp3

每页一条，推荐语音：zh-CN-XiaoxiaoNeural（女声，专业清晰）

Step 4：测量音频时长并计算帧数

for f in p.mp3; do
    duration=$(ffprobe -v error -show_entries format=duration -of csv=p=0 "$f")
    frames=$(python3 -c "print(int(float('$duration')  24 + 0.5))")
    printf "%s: %.3fs = %d frames\n" "$f" "$duration" "$frames"
done

计算公式：frames = int(duration_seconds * 24 + 0.5)

Step 5：创建 Remotion 项目 项目结构：

remotion-ppt-video/
├── src/
│   ├── index.tsx
│   └── PPTVideo.tsx
├── public/
│   ├── slides/
│   └── audio/
├── audio/
│   └── pages/
├── out/
├── remotion.config.ts
└── tsconfig.json

PPTVideo.tsx 核心结构：

const SLIDES = [
    { img: 'slides/slide_01.png', text: '今天聊 AI 视频的双轨实践', audio: 'audio/p01.mp3', frames: 75 },
    // ...
];

布局规范：

• PPT 画面：上部 85%，objectFit: 'contain'
• 字幕区：底部 15%，独立深色背景 #0a0a14
• 分隔线：borderTop: '1px solid rgba(255,255,255,0.06)'
• 页码指示器：右上角，当前页橙色 #ff6b35

Step 6：渲染视频

npx remotion render src/index.tsx ppt-video out/video.mp4 --overwrite --concurrency=1

VPS 优化参数：

• 分辨率：854×480（内存友好）
• 帧率：24fps
• 并发：1（避免 OOM）

关键技术点：

• 音画同步
• 问题解决方案：旁白跨页，每页独立音频，画面切换与旁白不对齐，durationInFrames = 音频秒数 × fps
• 字幕与旁白不同步：每页字幕严格对应该页旁白，字幕安全区

PPT 画面处理：

• 如果 PPT 文字已渲染为图片：直接提取使用
• 如果 PPT 是文字 + 形状：导出为 PNG/截图
• 画面始终 objectFit: 'contain' 保持比例
• 背景色：#0f0f1a（与字幕区 #0a0a14 区分）

输出规范：

• 格式：MP4 (H.264)
• 分辨率：854×480
• 帧率：24fps
• 音频：AAC，单声道或立体声
• 字幕：内嵌画面（底部 15% 区域）

常见问题： Q：PPT 提取出来没有文字？ A：PPT 可能是图片型（文字已渲染为图像），需要用 OCR 识别或重新制作文字层。 Q：音频总时长超过 90 秒？ A：精简讲解词，每页控制在 5-8 秒，关键信息优先，细节可省略。 Q：渲染时内存不足？ A：降低分辨率到 854×480，帧率 24fps，并发设为 1。 Q：字幕和 PPT 底部文字重叠？ A：检查是否正确设置了 85%/15% 分区，PPT 画面必须在 85% 区域内。 Q：音画不同步？ A：确认每页独立音频，且 durationInFrames 精确等于音频时长 × fps，不要用单条全长音频。

参数速查：

• 参数：推荐值，说明
• fps：24，流畅且节省资源
• 分辨率：854×480，VPS 安全渲染
• 画面比例：85%，上部 PPT 画面
• 字幕比例：15%，底部字幕安全区
• 语音：zh-CN-XiaoxiaoNeural，女声，专业
• 淡入时长：0.3 秒，画面自然过渡
• 字幕淡入延迟：0.2 秒，画面先出现