\n \n \n \n
\n\n\n\n```\n\n**script_notes.md** — 每页对应的口播要点。\n\n**voiceover_text.txt** — TTS 用的纯文本口播稿。每段用空行分隔，段数 = 页数（一段对应一页幻灯片）。\n\n### 第七步：生成字幕（Pillow 烧入法）\n\n**字幕对小红书视频极其重要** — 很多用户不开声音浏览。\n\n**⚠️ 不要用 ffmpeg 的 `subtitles` 滤镜**，它依赖 libass，macOS homebrew 的 ffmpeg 默认不含此库。改用 Pillow 把字幕直接烧进幻灯片图片，再用 ffmpeg 拼接。\n\n**原理**：每段口播按标点拆成短句，每句生成一张「原始幻灯片 + 底部字幕」的 PNG，按时长拼接成视频。\n\n#### 7.1 生成 segments.json\n\nTTS 音频生成后，记录每段音频的字节大小（同比特率下字节 ∝ 时长）：\n\n```python\nimport json, os, glob\naudio_files = sorted(glob.glob('audio/slide_*.mp3'))\nsegments = [os.path.getsize(f) for f in audio_files]\nwith open('segments.json', 'w') as f:\n json.dump(segments, f)\n```\n\n#### 7.2 生成字幕帧图片\n\n```python\nimport json, subprocess, re, os\nfrom PIL import Image, ImageDraw, ImageFont\n\ntext = open('voiceover_text.txt').read().strip()\nparagraphs = [p.strip() for p in text.split('\\n\\n') if p.strip()]\nsegments = json.loads(open('segments.json').read())\ntotal_bytes = sum(segments)\nr = subprocess.run(['ffprobe','-v','quiet','-show_entries','format=duration',\n '-of','csv=p=0','voiceover_volcano.mp3'], capture_output=True, text=True)\naudio_duration = float(r.stdout.strip())\nseg_durations = [s / total_bytes * audio_duration for s in segments]\n\n# macOS 中文字体（按优先级尝试）\nfor fp in ['/Library/Fonts/Arial Unicode.ttf',\n '/System/Library/Fonts/STHeiti Medium.ttc']:\n if os.path.exists(fp):\n font = ImageFont.truetype(fp, 42)\n break\n\n# 时间分配（封面 3s + slide_01 共享第一段音频）\ncover_dur = 3.0\ns01 = max(seg_durations[0] - cover_dur, 0.5)\ndurations = [cover_dur, s01] + seg_durations[1:]\nslide_files = ['cover.png', 'slide_01.png'] + \\\n [f'slide_{i+1:02d}.png' for i in range(1, len(segments))]\npara_for_slide = [paragraphs[0], paragraphs[0]] + paragraphs[1:]\n\nsub_dir = 'sub_slides'\nos.makedirs(sub_dir, exist_ok=True)\nconcat_lines = []\nimg_idx = 0\n\nfor slide_i, (slide_file, dur) in enumerate(zip(slide_files, durations)):\n img = Image.open(slide_file)\n para = para_for_slide[slide_i]\n sentences = re.split(r'[，。！？、；\\n]', para)\n sentences = [s.strip() for s in sentences if s.strip()] or ['']\n sent_dur = dur / len(sentences)\n\n for sent in sentences:\n frame = img.copy()\n if sent:\n draw = ImageDraw.Draw(frame)\n w, h = frame.size\n bbox = draw.textbbox((0, 0), sent, font=font)\n tw = bbox[2] - bbox[0]\n x, y = (w - tw) // 2, h - 100\n # 黑色描边（8 方向偏移 3px）\n for dx in [-3, 0, 3]:\n for dy in [-3, 0, 3]:\n if dx or dy:\n draw.text((x+dx, y+dy), sent, font=font, fill=(0,0,0))\n draw.text((x, y), sent, font=font, fill=(255,255,255))\n\n out_name = f'sub_{img_idx:04d}.png'\n frame.save(f'{sub_dir}/{out_name}')\n concat_lines.append(f\"file '{sub_dir}/{out_name}'\")\n concat_lines.append(f\"duration {sent_dur:.3f}\")\n img_idx += 1\n\n# ffmpeg concat 需要最后一帧重复\nconcat_lines.append(f\"file '{sub_dir}/sub_{img_idx-1:04d}.png'\")\nwith open('concat_sub.txt', 'w') as f:\n f.write('\\n'.join(concat_lines))\n```\n\n### 第八步：合成视频（带字幕）\n\n**⚠️ 时长分配必须用音频段字节比例，不要用字数比例！** 字数和实际语速不成正比，按字数分配会导致后半段音画不同步。\n\n```bash\ncd <输出目录>\n\n# 1. 用字幕帧图片生成静音视频\nffmpeg -y -f concat -safe 0 -i concat_sub.txt \\\n -vf \"scale=1920:1080,format=yuv420p\" \\\n -c:v libx264 -preset medium -crf 20 -r 30 -an silent.mp4\n\n# 2. 合并音频（-c:v copy 不重新编码，速度快）\nffmpeg -y -i silent.mp4 -i voiceover_volcano.mp3 \\\n -c:v copy -c:a aac -b:a 192k -shortest -movflags +faststart \\\n output_sub.mp4\n\nrm -f silent.mp4 concat_sub.txt\n```\n\n**字幕样式**：\n- 字体：Arial Unicode MS 42px（白色，黑色描边 3px）\n- 位置：底部居中，距底边 100px\n- 暗底亮底都清晰\n\n**两个输出文件**：\n- `output.mp4` — 无字幕版（build_video.py 生成）\n- `output_sub.mp4` — 带字幕版（本步骤生成）\n\n### 第九步：展示结果\n\n1. 读取几张关键 PNG（第 1 页、中间页、最后页）让用户预览效果\n2. 告知输出目录路径\n3. 提示 `open preview.html` 可在浏览器翻页预览\n4. 视频已含字幕，可直接发布\n\n## 文件组织\n\n```\n<工作目录>/voiceover/\n└──