从内容到短视频：用开源工具生成 3 分钟 AI 教程视频
最近我把《LLM 能力边界与架构约束》这一章，做成了一条 9:16、约 3 分钟、有图文页、有 AI 配音、可用 Kdenlive 打开编辑的短视频。这个过程没有使用剪映，也没有依赖商业视频模板，而是尽量用开源和本地工具跑通了一条可复用的流水线。
这篇文章记录完整过程：如何从一段书稿内容出发，生成视频脚本、10 张竖屏图文页、AI 配音、Kdenlive 工程文件，并最终导出 MP4。
本文是一次 macOS 环境下的实践复盘。脚本和素材已迁移到独立的视频制作项目；由于该项目不在本文仓库中，下面的路径和命令需要按读者自己的项目目录替换，不能直接假设 /Users/xianguiwang/Projects/video-production/ 存在。
环境与验收标准
- macOS；Node.js 20+；Python 3.11；Piper TTS；Kdenlive；
rsvg-convert；ffmpeg和ffprobe。 - 输入：一章 Markdown 书稿、一份视频脚本和一段可公开使用的配音模型。
- 输出：1080×1920 的 PNG 页面、可编辑的 Kdenlive 工程、带音频的 MP4。
- 验收：画面比例正确、音频轨存在且不是静音、画面和口播时长对齐、抽帧无文字溢出。
如果没有独立脚本仓库，这篇文章只能作为流程记录；要做成可复现教程，需要同时公开生成脚本、最小输入样例和固定版本。
一、目标：把文章变成可发布的视频资产
这次的目标不是做一个炫技 demo，而是跑通一个可以重复使用的内容生产流程：
1 | 书稿内容 |
最终产物包括：
1 | video-scripts/01-llm-boundaries-3min.md |
整套方案用到的工具如下：
1 | 内容脚本：Markdown |
二、为什么不用直接 AI 生成整条视频
直接让 AI 生成视频当然很方便，但技术教程类内容有一个核心问题：文字必须准确。
如果画面中出现“LLM”“RAG”“Policy”“Eval”“Trace”“概率生成器”等技术词，一旦交给图片或视频模型直接生成，常见问题是：
- 中文字形变形；
- 英文缩写写错；
- 公式、架构词、标题不稳定；
- 同一套页面的视觉风格不一致；
- 后期改一个词需要重新生成整张图。
所以我选择了一条更工程化的路线：
1 | 技术文字和版式用代码生成，保证准确； |
这条路线不一定是最快的，但它非常适合做系列化技术内容。
三、第一步：把书稿改成三分钟视频脚本
不要直接把书稿塞进视频工具。书稿适合阅读，短视频适合节奏、钩子和分镜。
我把原始章节重新整理成一个视频脚本，结构包括：
1 | 标题 |
三分钟内容可以按下面的节奏拆：
1 | 0:00-0:10 Hook：别把 LLM 当确定性系统 |
本次 3 分钟成片的口播字数应由实际音频时长倒推。以 240—280 字/分钟估算，纯口播约为 720—840 字；停顿、片头和片尾会进一步减少可用字数，因此不要把 800—900 字当作固定标准。
四、第二步：用 SVG 生成 10 张竖屏图文页
图文页我没有交给图片模型直接生成，而是用 Node.js 生成 SVG，再转换成 PNG。
这样做的好处是：
- 文字 100% 可控；
- 字号、间距、颜色可以统一；
- 一次生成 10 张页面；
- 后续修改文案只需要改脚本；
- SVG 可以继续编辑，PNG 可以直接导入视频软件。
生成命令：
1 | node video-scripts/render-llm-boundaries-assets.mjs |
脚本输出：
1 | video-assets/01-llm-boundaries-3min/svg/ |
每张 PNG 都是 1080×1920，适合常见竖屏发布场景；不同平台的封面安全区、码率和时长限制仍需单独核对。
可以用下面命令检查图片尺寸：
1 | file video-assets/01-llm-boundaries-3min/png/*.png |
五、第三步：用 Piper 生成开源 AI 配音
配音这一步，我先选了 Piper TTS。它的优点是轻量、本地、开源，适合快速跑通流程；缺点是中文自然度不如 GPT-SoVITS、F5-TTS 这类更复杂的方案。
先设置项目目录和 Python 虚拟环境路径（下面命令使用 macOS/zsh 语法）：
1 | export VIDEO_PROJECT="$PWD" |
安装 Piper：
1 | "$PIPER_VENV/bin/python" -m pip install piper-tts |
准备模型目录：
1 | export PIPER_MODEL_DIR="$VIDEO_PROJECT/models/zh_CN-huayan-medium" |
下载中文 voice model 和配置文件：
1 | curl -L "https://huggingface.co/rhasspy/piper-voices/resolve/v1.0.0/zh/zh_CN/huayan/medium/zh_CN-huayan-medium.onnx?download=true" \ |
检查 Piper 是否可用：
1 | "$PIPER_VENV/bin/piper" --help |
六、第四步：从 Markdown 抽出口播稿
我把视频脚本中的“完整口播稿”单独保存为：
1 | video-assets/01-llm-boundaries-3min/voiceover/voiceover.txt |
这里要注意几件事：
- 只保留口播稿，不要复制分镜表；
- 不要复制 Markdown 标题；
- 保留自然段换行，让 TTS 有停顿；
- 尽量避免连续英文缩写，否则中文 TTS 容易读得生硬；
- 技术词可以适当改写成口语，比如把“LLM”读作“大语言模型”。
七、第五步：生成第一版配音
基础版命令如下：
1 | "$PIPER_VENV/bin/piper" \ |
这版能生成成功，但语速偏快，时长约 144 秒。为了让它接近 3 分钟，我加大了 --length-scale 和 --sentence-silence：
1 | "$PIPER_VENV/bin/piper" \ |
检查音频时长：
1 | python3 -c "import wave; p='video-assets/01-llm-boundaries-3min/voiceover/voiceover-180s.wav'; w=wave.open(p); print(w.getnframes()/w.getframerate(), w.getframerate(), w.getnchannels())" |
本次结果大约是：
1 | 时长：176.7 秒 |
八、第六步：生成 Kdenlive 工程
有了图文页和配音之后，就可以生成带音频轨的 MLT / Kdenlive 工程：
1 | node video-scripts/render-llm-boundaries-assets.mjs \ |
生成结果：
1 | video-assets/01-llm-boundaries-3min/llm-boundaries-with-audio.mlt |
如果要手工微调，可以用 Kdenlive 打开：
1 | open -a /Applications/kdenlive.app \ |
打开后可以继续调整：
- 每一页的停留时长；
- 转场；
- 字幕；
- 背景音乐；
- 音量；
- 封面页；
- 片尾页。
九、第七步：用 melt 渲染视频
Kdenlive 的 macOS 应用通常自带 melt、ffmpeg 和 ffprobe。不同安装方式路径不同，先设置三个变量，再执行后续命令：
1 | export MELT_BIN="/Applications/kdenlive.app/Contents/MacOS/melt" |
如果路径不同，用 which melt、which ffmpeg 或 Kdenlive 的安装目录替换变量值。
先创建输出目录：
1 | mkdir -p video-assets/01-llm-boundaries-3min/output |
直接调用 melt 渲染 MLT 文件：
1 | "$MELT_BIN" \ |
渲染过程中会看到类似进度：
1 | Current Frame: 2704, percentage: 50 |
十、第八步：修复 MLT 混音静音问题
这次遇到一个实际问题：melt 成功生成了 MP4，但音频几乎是静音。
用 volumedetect 检查后发现：
1 | mean_volume: -91.0 dB |
解决方案是保留视频轨，重新把 Piper 生成的 WAV 封装进去：
1 | "$FFMPEG_BIN" \ |
最终使用：
1 | video-assets/01-llm-boundaries-3min/output/llm-boundaries-3min-final.mp4 |
不要使用中间文件：
1 | video-assets/01-llm-boundaries-3min/output/llm-boundaries-3min.mp4 |
它的视频正常，但音频有问题。
十一、第九步：验证最终成片
视频生成之后，不要只靠播放器看一眼。最好用命令行做几项验证。
查看视频和音频轨：
1 | "$FFPROBE_BIN" \ |
本次结果：
1 | 视频：H.264 |
检查音量：
1 | "$FFMPEG_BIN" \ |
本次结果：
1 | mean_volume: -16.3 dB |
这说明最终 MP4 不是静音。
也可以抽一帧检查画面：
1 | "$FFMPEG_BIN" \ |
检查图片：
1 | file video-assets/01-llm-boundaries-3min/output/preview-02m10s.png |
应输出：
1 | PNG image data, 1080 x 1920 |
除了检查总时长，还应抽查片头、转场、重点术语和片尾：口播进入下一段时，画面是否已经切换；字幕是否超出安全区；最后一页是否被音频截断。总时长一致不能证明每个分镜都同步。
十二、常见问题
1. Kdenlive 打开项目但没有声音
先确认 voiceover-180s.wav 文件存在：
1 | ls -lh video-assets/01-llm-boundaries-3min/voiceover/voiceover-180s.wav |
如果 Kdenlive 时间线里没有音频轨，重新生成项目：
1 | node video-scripts/render-llm-boundaries-assets.mjs \ |
2. kdenlive --render 卡住
可以改用 melt：
1 | /Applications/kdenlive.app/Contents/MacOS/melt path/to/project.mlt \ |
3. MP4 有音轨但几乎静音
用 volumedetect 检查。如果是 -91 dB 这类结果，可以重新用 ffmpeg 把 WAV 封装进去。
4. 中文读音不自然
Piper 适合先跑通链路。如果后续要提高中文自然度，可以考虑：
- GPT-SoVITS：中文效果更好，适合克隆自己的声音；
- F5-TTS：自然度更好，但预训练模型许可需要单独确认；
- ChatTTS：对话感强，但也需要确认许可和用途。
5. 图文页文字需要修改
可以直接编辑 SVG：
1 | video-assets/01-llm-boundaries-3min/svg/ |
也可以修改生成脚本：
1 | video-scripts/render-llm-boundaries-assets.mjs |
然后重新生成：
1 | node video-scripts/render-llm-boundaries-assets.mjs \ |
十三、下一条视频如何复用
下一条视频可以复用这套结构：
1 | video-scripts/02-xxx-3min.md |
流程保持不变：
1 | 书稿内容 |
这条流水线的核心思想是：文字和技术图用代码生成，保证准确；声音先用开源 TTS 跑通；视频合成用 Kdenlive / MLT 自动化；最终质量用 ffprobe 和抽帧验证。
对技术内容创作者来说，这比单纯追求“一键生成视频”更稳定。因为技术教程最重要的不是画面有多花，而是概念准确、文字可信、流程可复现。