用 Python 和 FFmpeg 实现自动化 PPT 视频生成：一个后端开发者的实践记录

qq_42215257

323人浏览 · 2026-07-24 11:31:20

qq_42215257 · 2026-07-24 11:31:20 发布

前阵子公司内容团队提了个需求：有几十份培训用的 PPT，每页备注里写好了讲解词，希望批量转成带配音的 MP4 视频，上传到内部学习平台。手动录屏肯定不现实——40 份 PPT 每份 30 页，录完人都废了。我的第一反应是看看能不能用技术手段把流程自动化掉。这篇文章记录了我踩坑和落地的过程。

需求拆解

内容团队的真实诉求其实很简单：给一份 PPT，输出的视频里每一页幻灯片停留几秒，同时有语音朗读当前页的备注文字。翻页、配音、拼接这三个环节如果能串起来，整个流程就通了。

具体来说要解决三个子问题：

从 PPT 中提取内容——每页的幻灯片图片和备注文字怎么拿到
文字转语音——备注文本怎么生成自然的配音音频
合成视频——图片 + 配音怎么拼成最终的 MP4 文件

第一步：从 PPT 里提取素材

直接从 .pptx 文件里提取每页的图片和备注文字，可以用 python-pptx 库。但问题是 .ppt（旧格式）这个库不支持。我的做法是先把 PPT 统一转为 PDF（Office 或者 WPS 都能批量转），然后用 PyMuPDF（也就是 fitz）来提取。

pip install pymupdf

import fitz
import os
from pathlib import Path

def extract_from_pdf(pdf_path, output_dir, dpi=150):
    """从 PDF 提取每页为图片，同时读取备注（备注需提前转为 PDF 注释）"""
    doc = fitz.open(pdf_path)
    os.makedirs(output_dir, exist_ok=True)
    
    slides = []
    for i in range(len(doc)):
        page = doc[i]
        # 导出为 PNG
        pix = page.get_pixmap(matrix=fitz.Matrix(dpi/72, dpi/72))
        img_path = os.path.join(output_dir, f"slide_{i+1:03d}.png")
        pix.save(img_path)
        slides.append(img_path)
    
    doc.close()
    return slides

# 使用
pages = extract_from_pdf("training_01.pdf", "./slides/")
print(f"提取了 {len(pages)} 页图片")

备注文字的处理有点绕。.pptx 的备注存在 notesSlide 里，如果用 python-pptx 读取的话要区分新旧格式。我图省事直接让内容团队把每页备注复制到一个 JSON 文件里对号入座，反而比程序自动提取更可靠——至少不会出现编码问题导致漏读的情况。

第二步：配音生成

配音方案我对比了两种：

方案 A：edge-tts（免费，在线）

微软 Edge 浏览器内置的 TTS 引擎可以通过 edge-tts 库直接调用，不需要申请 API Key，网络通就能用。

pip install edge-tts

import asyncio
import edge_tts

async def gen_audio(text, output_path, voice="zh-CN-XiaoxiaoNeural", rate="+0%"):
    """生成配音"""
    communicate = edge_tts.Communicate(text, voice, rate=rate)
    await communicate.save(output_path)
    print(f"生成完成: {output_path}")

# 使用
async def batch_gen(notes_dict):
    tasks = []
    for idx, text in notes_dict.items():
        path = f"audio_{idx:03d}.mp3"
        tasks.append(gen_audio(text, path))
    await asyncio.gather(*tasks)

notes = {1: "欢迎参加本次培训……", 2: "首先介绍公司组织架构……"}
asyncio.run(batch_gen(notes))

edge-tts 免费的代价是每次都要联网请求，而且并发量大了会被限流。我跑 40 份 PPT 时被限了两次，后来改成串行 + 每生成一页 sleep 0.5 秒才稳下来。

方案 B：VITS 本地模型（离线，效果更自然）

如果对配音自然度要求更高，或者需要在无网络环境处理，可以跑本地的 VITS 模型。GitHub 上有不少中文训练好的 checkpoint，加载后用 PyTorch 推理就行：

# 伪代码示意——实际需要加载具体的 VITS 模型
import torch
import soundfile as sf

def vits_tts(text, model, device="cuda"):
    with torch.no_grad():
        audio = model.infer(text)
    sf.write("output.wav", audio, samplerate=22050)

VITS 的效果确实比 edge-tts 更接近真人，但部署成本高——至少需要一张显卡，模型文件几百 MB，第一次配置环境大概要半天。如果是团队长期使用，这个投入是值得的；如果只是临时做一批视频，用 edge-tts 就够了。

第三步：FFmpeg 视频合成

配音生成后，把每页图片 + 对应配音合成一小段视频，最后把所有片段拼接起来。

# 单页合成：图片显示 + 配音播放
ffmpeg -loop 1 -i slide_001.png -i audio_001.mp3 \
  -c:v libx264 -tune stillimage -c:a aac \
  -b:a 128k -pix_fmt yuv420p -shortest clip_001.mp4

要处理批量的话用 Python 包装一下：

import subprocess
import os

def make_clip(image, audio, output, fps=24):
    """图片+配音→视频片段"""
    cmd = [
        "ffmpeg", "-y",
        "-loop", "1",
        "-i", image,
        "-i", audio,
        "-c:v", "libx264",
        "-tune", "stillimage",
        "-c:a", "aac",
        "-b:a", "128k",
        "-r", str(fps),
        "-pix_fmt", "yuv420p",
        "-shortest",
        output
    ]
    subprocess.run(cmd, capture_output=True)

def concat_clips(clip_list, output_path):
    """拼接所有片段"""
    list_file = "concat_list.txt"
    with open(list_file, "w") as f:
        for clip in clip_list:
            f.write(f"file '{os.path.abspath(clip)}'\n")
    
    subprocess.run([
        "ffmpeg", "-y", "-f", "concat",
        "-safe", "0",
        "-i", list_file,
        "-c", "copy",
        output_path
    ])
    os.remove(list_file)

最终的效果测试下来：一份 30 页的 PPT，从配完音的素材到输出完整视频，整个过程大约 40 秒。如果加上 TTS 生成的时间，总共大概 5-8 分钟一份。

几个踩过的坑

1. 图片比例不一致。 不同 PPT 的页面比例可能是 4:3 也可能是 16:9，混合拼接时 FFmpeg 默认拉伸，画面会变形。后来在合成命令里加了 scale=1920:1080:force_original_aspect_ratio=decrease,pad=1920:1080:(ow-iw)/2:(oh-ih)/2 的 filter，把不足的部分用黑边填充才解决。

2. 配音时长和图片停留时间不匹配。 如果某页备注只有一句话（3 秒读完），而图片默认停留 8 秒，画面就会在配音播完后干等着。我最后的处理方式是动态计算音频时长，然后用音频时长来决定 -shortest 的截断点，不用固定停留时间。

3. edge-tts 的代理问题。 公司内网访问微软 TTS 服务需要走代理，但 edge-tts 默认不读系统代理配置。后来在代码里显式设置了 export HTTPS_PROXY=http://proxy:port 才跑通。

方案对比

这次实践做下来，我的感受是：纯手撸这套流程，前期搭建环境大概花了两个下午（主要是调 FFmpeg filter 和排 TTS 的坑），但后面批量跑起来确实省时间。40 份 PPT，脚本跑了大概 3 个半小时（主要是 TTS 生成排队），人工只需要检查输出结果。

后来跟同行交流了解到也有现成的方案可以处理这个流程：上传 PPT 后自动完成图片提取、备注配音、视频合成这几个步骤，不需要自己搭环境。如果只是偶尔做几份，或者团队里没有能折腾这些的开发者，现成方案可能更实际。但如果你跟我一样需要批量处理、对输出参数有定制要求、或者想把这套能力集成到自己的系统里，自己搭这套流水线还是值得的。

以上代码基于 Python 3.10 + FFmpeg 6.0 测试通过，不同环境可能需要调整参数。