情绪文案短视频生成器

概述

把一段文字，变成一条能让人看完、听懂、被打动的竖版短视频。

一条命令出片：写好一个 JSON 配置（图片 + 文案 + 运镜），跑 make_video.py 即可。

为什么不用「文生视频」直接出片

你需要准备什么

💡 最短路径：装好 ffmpeg 和 3 个 pip 包 → 出几张图 → 写一个 config.json → 一条命令出片。

环境要求

安装

# 1) Python 包
pip install pillow numpy edge-tts

# 2) ffmpeg
#   Windows: winget install Gyan.FFmpeg   或到 ffmpeg.org 下载后把 bin 加入 PATH
#   macOS:   brew install ffmpeg
#   Linux:   sudo apt install ffmpeg       (Debian/Ubuntu)

字体：脚本按平台自动探测（Windows 优先思源宋体/华文宋体，macOS 优先 Songti/PingFang，Linux 优先 Noto CJK）。都找不到时，用环境变量指定你自己的字体：

export QSV_FONT_MAIN="/path/to/your-cjk-font.ttf"
export QSV_FONT_FALLBACK="/path/to/punctuation-complete-font.ttf"

⚠️ 中文标点会变方块？ 部分字体（例如某些版本的 Source Han Serif）不含中文标点字形，引号「"」、顿号「、」、破折号会渲染成 ▯。

脚本已内置逐字字体回退：主字体缺哪个字形，就单个字切到回退字体，风格保留、标点补齐。

你的文案里带引号或顿号时，务必先试渲一屏再批量出片。

工作流（6 步）

Step 1 · 拆句：把一段话拆成 3-5 屏

这是决定完播率的环节，不是简单切分。

硬规则

• 单行 ≤ 12 个汉字（超了就断句）；单屏最多 2 行：上行 = 主句（大），下行 = 辅句（小）
• 第 1 屏必须是钩子，3 秒内能读完（前 3 秒决定生死）
• 每屏是一个「情绪台阶」，句间要有递进：提出问题 → 转折 → 落点
• 尊重原文：只做断句、去虚词、轻微精简，不要重写、不要自己加金句

示例（原文 2 句 → 3 屏）

原文：人最大的清醒，是不再盼着外界救赎自己。当你把目光从外界的喧嚣收回，
      投向内心的旷野，就会惊觉，最踏实的温暖，从来都源于自我的滋养。

屏1  人最大的清醒 / 是不再盼着外界救赎自己        ← 钩子，冲突感最强
屏2  把目光从外界的喧嚣收回 / 投向内心的旷野      ← 转折 + 画面感
屏3  最踏实的温暖 / 从来都源于自我的滋养          ← 落点，回到自己身上

文案越长，屏越多、片子越久，完播率越低。超过 6 屏（约 30 秒）就该考虑拆成两条发。

Step 2 · 生图：每屏一张意境图

用任意图像生成工具出图，一屏一张，全片色调必须统一。

统一风格公式（把 {} 换掉即可，其余照抄）

电影感竖构图摄影：{主体场景}，{光线描述}，画面下方三分之一是深色调留白区
（用于叠加文字），上方是{天空/环境}。低饱和{统一色调}胶片质感，浅景深，
{情绪氛围}的氛围。写实摄影风格，无文字无字幕无水印。

三种可套用色调：暖金（治愈/黄昏）金色调，逆光，夕阳，光斑 ／ 冷蓝（冷静）冷蓝色调，雾霭，清晨寒光 ／ 黑金（力量）大面积深色剪影，一点暖光，低调

💡 出图后务必逐张核对：色调不一致、画面太亮、下 1/3 太满，都要重出——图不对，成片就废。

量化判据：图的下方 40% 区域，平均亮度 ≤ 50、最亮区 ≤ 90，白字才压得住。

（纯亮背景的图，白字无论多大都会糊）

Step 3 · 生成配音

必须是「逐行独立合成」（不是整段合成）：每行的真实时长可知，字幕才能和语音严格对齐。

用 scripts/tts_edge.py（微软神经网络语音，真人录音训练、无需参考音频、免费，需要联网）。

音色表（实测，按文案气质选）

参数建议（治愈 / 内省类文案）：rate="-15%"（放慢）、pitch="-3Hz"（更沉）。原速偏快，直接出会显得赶。

写 tts_edge_jobs.json：

{
  "voice": "zh-CN-YunxiNeural",
  "rate": "-15%",
  "pitch": "-3Hz",
  "volume": "+0%",
  "out_dir": "tts_edge",
  "to_wav": true,
  "items": [
    { "text": "人最大的清醒，", "out": "s1a.wav" },
    { "text": "是不再盼着外界救赎自己。", "out": "s1b.wav" }
  ]
}

运行：

python "<SKILL_DIR>/scripts/tts_edge.py" tts_edge_jobs.json

两个必须知道的实测特性

1. ⚠️ 每句尾部挂了约 1.1 秒静音、头部约 0.24 秒。必须靠 voice.trim_silence=true 裁掉，否则句间会拖成一坨。
2. ⚠️ 输出电平偏高且已压缩：RMS ≈ -25 dB、峰值 ≈ -5 dB。

→ voice_volume_db 只能给 +2 ~ +4，给高了直接削顶爆音。

进阶（可选）：换成你自己的音色

本 skill 内置的是微软神经网络语音。若想用特定音色（自己录音、授权声线等），

可在本地部署 GPT-SoVITS（零样本音色克隆）或 CosyVoice / IndexTTS 等方案，

用同一个「逐行合成、输出 wav」的思路产出配音文件，再喂给 config.json 的 voice 数组即可——

渲染端不关心 wav 是谁生成的，只要时长准确。

Step 4 · 写 config.json

{
  "theme": "warm_gold",
  "tail_seconds": 2.5,
  "crop_watermark_px": 72,
  "audio": { "mode": "wind", "volume_db": -11 },

  "voice": {
    "enabled": true,
    "pad_head": 0.40,
    "pad_between": 0.16,
    "pad_tail": 1.20,
    "lead_in": 0.10,
    "fade_in": 0.55,
    "fade_out": 0.75,
    "trim_silence": true,
    "voice_volume_db": 3,
    "bgm_volume_db": -26
  },

  "output": "output/quote_video.mp4",

  "shots": [
    { "image": "assets/1.png",
      "lines": ["人最大的清醒", "是不再盼着外界救赎自己"],
      "motion": "in",
      "voice": ["tts_edge/s1a.wav", "tts_edge/s1b.wav"] }
  ]
}

所有相对路径的基准 = config.json 所在目录。

关键机制：当 voice.enabled=true 且该屏给了 voice 文件，👉 该屏时长不再用 seg_seconds，而由语音真实时长算出：

屏时长 = pad_head + 句1时长 + pad_between + 句2时长 + pad_tail

字幕出现时刻 = 对应语音起始时刻 − lead_in。所以字幕和配音是逐句锁死的，不会漂移。没给 voice 的屏仍走固定 seg_seconds（两种模式可以在同一条片子里混用）。

motion 建议交替 in(推近) / out(拉远) / still，让镜头有语言变化。

Step 5 · 跑脚本

python "<SKILL_DIR>/scripts/make_video.py" config.json
#   --silent      干净无音版（给平台叠 BGM 用）
#   --keep-temp   保留中间产物便于调试

脚本会依次：处理底图（裁水印→裁切→调色→压暗→暗角）→ 渲文字层 → 逐屏生成带推镜的片段 → 拼接 → 铺语音轨 → 混合氛围音 → 输出 mp4。

Step 6 · 自检后再交付

# 抽帧检查（把 8 换成你的成片时长的一半左右，多抽几个点）
for t in 2 5 8 11 15 19; do ffmpeg -y -v error -ss $t -i output/quote_video.mp4 -frames:v 1 check_$t.png; done

检查清单：

• [ ] 每屏两行都完整显示，没有出画 / 被截断
• [ ] 文字在底部 300px 安全区之上
• [ ] 句与句切换处有黑场，不是硬切
• [ ] 字幕出现的瞬间，语音正好开口（配音版最容易翻车的地方）
• [ ] 语音不被垫底氛围音盖住
• [ ] 总时长 18-28 秒

参数速查

画面

配音（voice 段）

主题预设

垫底音（audio）

节奏调节经验

• 总时长：18-28 秒完播率最好。加了配音后时长由语速决定，想压缩就缩短停顿（pad_tail、pad_between），别去加快语速。
• 想换气质先换音色，再调语速。同一条文案，男声温润 vs 女声温暖是完全两种观感。
• 首屏别用长句。第一屏超过 12 字，观众还没听完就滑走了。
• 一次说一件事。想塞 5 个观点，不如拆成 3 条视频。

平台侧注意事项

• 底部安全区：底部约 300px 会被昵称、文案、音乐条盖住，text_center_y=0.70 已留够。
• BGM：本方案的人声 + 远风垫音已能独立成片。若想叠平台 BGM，用 --silent 版，或把 bgm_volume_db 再压低。
• 封面：截取第一屏「文字已完全浮现」的那一帧当封面，字大、对比强。

常见问题

文件结构

quote-short-video/
├── SKILL.md
├── config.example.json          # 视频配置模板
├── tts_edge_jobs.example.json   # 配音任务模板
└── scripts/
    ├── tts_edge.py              # 配音：微软神经网络语音（逐行合成）
    └── make_video.py            # 渲染：底图 + 文字层 + 音画对齐 + 合音

安全说明

本 skill 除配音外全部为本地处理：

• 只读取 config 指定的图片 / 音频、以及系统字体；只写入 config 指定的 output 路径
• 临时文件写在系统临时目录，运行结束自动清理（--keep-temp 可保留）
• 不读取任何凭据、不删除用户文件、不上传任何本地文件
• 唯一的网络行为在 tts_edge.py：调用微软在线语音合成服务，只上传待朗读的文字
• 外部依赖：系统 ffmpeg（含 ffprobe）、Python 包 pillow / numpy / edge-tts

卡住了？或者想更省事？

这个 skill 免费，它解决的是「图已经有了，怎么高效合成成片」这一段。

如果你卡在它前面，或者要的比它多：

• 没时间出图 —— 每屏意境图总是色调不统一、字压不住
• 要批量做 —— 一次几十条，不想一条条手工配
• 要固定音色 —— 品牌号需要一个专属声线（而非通用合成音）
• 想接进自己的业务 —— 批量出片流水线、代运营、二次开发

作者在做这块的代做与定制开发，可以在 SkillHub 作者主页或评论区找到我聊聊，说明你的场景即可。

只是用 skill 遇到问题，也欢迎直接在评论区留言，我会回。

By 日舍科技 · 免费使用，无需署名