PPT to Video Generator

将PPT课件自动转换为带中文旁白、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

1. 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）
2. 音画精确同步：每页独立音频，画面时长 = 音频精确时长
3. 字幕安全区：底部15%独立区域，不与PPT画面重叠
4. 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

cd audio/pages
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          # registerRoot
│   └── PPTVideo.tsx       # 主组件
├── public/
│   ├── slides/            # PPT图片
│   │   ├── slide_01.png
│   │   └── ...
│   └── audio/             # 逐页音频
│       ├── p01.mp3
│       └── ...
├── audio/
│   └── pages/             # 音频源文件
├── out/                   # 输出目录
├── 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 },
  // ... 每页对应一条
];

// 计算累计起始帧
const starts: number[] = [];
let acc = 0;
for (const s of SLIDES) {
  starts.push(acc);
  acc += s.frames;
}
export const TOTAL_FRAMES = acc;

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

Sequence使用：

<Sequence from={starts[index]} durationInFrames={slide.frames}>
  <Audio src={staticFile(slide.audio)} volume={0.95} />
  <SlideScene ... />
</Sequence>

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

字幕安全区

┌─────────────────────────┐
│                         │
│    PPT画面 (85%)        │
│    完整显示，无遮挡      │
│                         │
├─────────────────────────┤  ← 分隔线
│    字幕安全区 (15%)     │
│    独立底色，不重叠      │
└─────────────────────────┘

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