Core scripts
自动化脚本
scripts/doubao_tts.py连接豆包语音并生成分句 MP3build_optimized.py选稳定镜头、渲染字幕、合成成片recipe.json记录素材、起点、时长和输出配置qa_final/report.json保存自动质检结果
AI Video Automation · Case 01
把 553 条云南素材，整理成一条可复用的自动剪辑链路
这不是一次“让 AI 随机拼视频”的演示。我从参考片拆解、真实素材筛选和合规文案开始，把配音、字幕、镜头时长、画面质检做成一套可以继续批量化的流程。
Final output · 30 fps
豆包现成音色 · 新青年体字幕 · 真实云南素材
1305最终帧数
0内部异常跳帧
0黑帧 / 冻结帧
12 / 12字幕描边通过
Production Pipeline
从参考视频到最终成片
每一步都留下机器可读的中间结果，方便重做单句、替换单个镜头，或者把同一套规则用于下一条视频。
- 01
参考片拆解
读取 5 条参考视频的时长、帧率和镜头密度，提炼“钩子—路线—体验—收尾”的内容结构。
FFprobe · scene detect - 02
文案与合规
控制在 35–45 秒，使用短句和路线信息，避开绝对化承诺与不必要的价格表达。
script.txt - 03
真实素材匹配
从昆明、大理、丽江、香格里拉等分类中抽帧筛选，排除水印、原生字幕和素材内部跳切。
OpenCV · NumPy - 04
逐句语音生成
每句单独调用豆包语音，再读取真实音频时长；画面和字幕不再靠字数估算。
doubao_tts.py - 05
固定帧率合成
素材先裁入稳定区间，再统一为 30fps；字幕直接烧入各自片段，最后按精确帧数拼接。
build_optimized.py - 06
逐帧质量检查
检查字幕安全边距、描边像素、黑帧、冻结帧、重复帧和镜头内异常突变。
qa_final/report.json
Scripts & API
实际调用了什么
页面只公开实现方式，不暴露 API Key、应用凭证或用户数据。
Voice API
火山引擎豆包语音
- 模型资源
seed-tts-2.0- 音色
zh_female_xiaohe_uranus_bigtts- 调用方式
- WebSocket 流式 TTS
- 音频规格
- MP3 · 24 kHz
使用平台现成音色，没有进行真人声音克隆。
Media stack
图像与视频工具
Iteration Log
问题不是被藏起来，而是变成下一轮规则
这条视频经历了多轮人工反馈。每一次修改都被沉淀成自动化检查项。
统一安全宽度
FFmpeg 字体渲染受环境影响，改用 Pillow 生成透明字幕层，并保留至少 93px 横向边距。
逐句真实时长
从整段语音按字数估时，改成 12 句独立生成，再将每句音频补齐到精确帧边界。
候选素材剔除
逐镜查看画面四角与字幕区域，替换带设备水印、账号文字和原生字幕的素材。
稳定窗口 + CFR
先检测源文件内部切镜，只取无突变区间；输出统一 30fps，并检查连续帧差和重复帧。
双层黑边
字幕改为 8px 内描边和 14px 外层阴影，并对 12 张字幕图逐一验证黑白像素。
可播放、可追溯、可复用
43.5 秒、1305 帧，字幕、音频和镜头边界统一；下一条只需替换文案与素材匹配结果。