把一篇 6500 字长文做成竖屏解说完片：全管线与踩坑实录

起因是把一篇 6500 字的长文（一名阿里老员工的劳动仲裁自述）转成一条能发抖音/视频号的竖屏解说视频。最终产出 4’17”、1080×1920、带硬字幕和旁白垫乐的成片。本文整理完整方案、工具选型和踩过的坑，供下次直接抄。

一、管线总览

原文 ──① 需求拷问──▶ 设计决策树（形态/画幅/风格/口径/结构/声音/字幕）
     ──② 脚本先行──▶ 旁白脚本 + 分镜表（确认后才开始烧生成额度）
     ──③ 配音────▶ 分段 TTS（每场景一个音频文件 = 时间轴锚点）
     ──④ 素材────▶ AI 视频片段（情绪镜头） + PIL 手绘卡（制度/文字内容）
     ──⑤ 字幕────▶ 按音频真实时长 + 像素宽度断行 → 字幕条 PNG
     ── 合成────▶ 逐场景渲染（可缓存）→ concat filter + overlay 单遍 → BGM 混音

动手前有一件事最值得做：把模糊需求拆成决策树逐个拍板——成片还是单条片段？竖屏还是横屏？写实还是信息图风？实名还是匿名？第一人称还是第三人称？字幕怎么烧？这些决定互相咬合，跳着问会返工。本次的关键决策：

决策	选择	理由
镜头构成	混合：AI 片段只给情绪镜头，制度性内容全部做”证据卡”	省 40%+ 生成额度；AI 画中文条款必翻车
实名口径	旁白用职位代称，画面文字仅英文名，无 logo	平台审核与商誉风险的折中
结构	倒叙钩子（数字反差→权限全灰）→ 时间线 → 排比收尾	前 15 秒留人
字幕	PIL 字幕条 + ffmpeg overlay 硬字幕	本机 ffmpeg 无 libass/drawtext
旁白	edge-tts · 云健 · rate=-8%	与百炼 CosyVoice A/B 试听后胜出

内容分工原则（最有复用价值的一条）

• AI 视频片段：只用于”人/场景/情绪”镜头（会议室、灰掉的图标、仲裁委台阶），prompt 里写明 no text, no logos。
• PIL 手绘卡：一切含精确中文文字的画面——法条引用、系统界面复原、对话气泡、数据对比、人物关系图。程序绘制文字 100% 可控。
• 卡片配 zoompan 缓推（Ken Burns）避免”PPT 感”。

一句话分工：Pillow 管”画”，ffmpeg 管”动”，AI 视频管”活”，TTS 管”说”。

二、工具评估

工具	用途	评价
VideoGen（wan30）	文生视频 720×1280	可用；自带音轨（大坑，见五.1）；风格指令执行偏保守（要”扁平2D”给了写实）；色调稳定
edge-tts	旁白	免费、稳定、中文播报感好；mp3 头部元数据偶不可信，以解码后为准
百炼 CosyVoice v3	旁白备选	HTTP 一次调用出签名 URL，质量可用
Pillow	证据卡/字幕/封面/片名	本次真正的”视觉主力”，见第三节
ffmpeg 8.1（精简构建）	全流程	缺 subtitles/drawtext 滤镜；overlay + enable 时间窗方案完全够用
remotion	—	为此项目引入 npm 视频框架性价比为负，未采用

三、Pillow：用代码做平面设计

Pillow 是 Python 标准图像处理库（pip install pillow）。它不是绘图软件，而是一套用代码画图的 API：给定坐标和颜色，画矩形/圆角矩形/圆/线段、按指定字体字号写文字、测量文字像素宽度、逐像素操作、导出 PNG。本次所有含精确中文的文字画面都是它生成的——效果等同 Figma 设计稿，但”设计稿”写在代码里：可批量、改一行重出图、文字永远清晰。

成片里的东西	Pillow 能力
证据卡 ×6（数据对比、系统界面复原、对话气泡+人物关系图、时间线、结尾卡）	渐变背景（画 1×1920 竖条再 resize 全屏）、rounded_rectangle 面板、色块条形图、textlength 测宽后居中/右对齐、按像素宽度给长引文断行
硬字幕 ×77	每句渲染成 1080×160 透明 PNG（半透明底条+双画伪加粗）；Pillow 只画字条，“何时显示”由 ffmpeg overlay enable='between(t,起,止)' 控制
片名浮层 / 封面	透明底 PNG + 阴影偏移字；封面同卡片画法
字体	macOS 自带 STHeiti Medium/Light.ttc，ImageFont.truetype(路径, 字号, index=0)

四、背景钢琴垫乐：零依赖程序合成

BGM 不是下载的音乐也不是 AI 生成，而是纯 Python（仅标准库 math/struct/wave）的加法合成：

• 和声：Am→F→C→G 四和弦循环，每和弦 8 秒；
• 发声：基频正弦 + 2/3 次泛音（×0.45/×0.18）模拟钢琴；
• 包络：40ms 起音防爆音 + 双指数衰减；和弦内 0.18s 琶音错开 + 低八度铺底；
• 响度：峰值归一 -16dBFS 安静音床，混音 amix normalize=0 保旁白电平，结尾 3s 淡出。

这是通用方案吗？作为兜底：是；作为默认：不是。 优点是零版权风险、时长任意、参数即改；局限是正弦”钢琴”经不起细听，BGM 一旦被听出来就露怯。升级路径：① 免版权真实钢琴曲（Pixabay Music 等，注意 CC 署名）——首选；② AI 音乐生成（Suno/Udio，注意商用授权）；③ fluidsynth + SoundFont 真采样。经验法则：旁白密集型解说压到 -16dBFS 以下够用；音乐需要”被听见”的视频必须换真实音源。

五、踩坑实录（按严重度）

1. AI 视频片段自带音轨，抢掉旁白 ⚠️ 最隐蔽 症状：片段场景”有字幕没配音”、BGM 时断时续。 根因：ffmpeg -i clip.mp4 -i vo.mp3 不写 -map 时默认选”最佳音频流”，片段自带的 128kbps 音轨赢了旁白 mp3。 修复：显式 -map 0:v:0 -map 1:a:0。凡是多输入合成，永远显式 map。

2. concat demuxer + -c copy 时间戳漂移 症状：13 个场景各自时长正确，拼接后 256s 变 435s，后续解码报错。 根因：各场景容器/流时长元数据不一致（tpad、-t 截断所致），copy 拼接把错误时间戳累加。 修复：改用 concat filter（重编码、重生成时间戳），并与字幕 overlay 合并为单遍。

3. filter_complex 输入索引差一 -i 是成对参数，用 len(inputs_list) 数输入个数会翻倍。按”场景数 N → 图片输入从 N+1 起”显式计算。

4. 生成额度耗尽（403） 8 段视频 + 试听把额度打满，1 个片段无法重做。对策：降级为 PIL 卡片——该场景反而成了全片信息密度最高的画面之一。经验：预留 1–2 次重做额度；卡片永远是兜底方案。

5. 视频产物 URL 延迟可用（NoSuchKey） 任务显示完成但签名 URL 404——对象存储 finalize 有延迟。换新 URL 稍后重试即可，别过早判定失败。

6. 时长估算偏差 中文旁白约 4.3 字/秒（-8% 语速），1000 字 ≈ 4 分钟，远超”2’30–3‘“预期。写脚本时先按 字数÷4.3 估时长。

7. 字体缺字形：STHeiti 无 ✕(U+2715)/⏱/，渲染成方块。改用 ×(U+00D7) 等 CJK 兼容字符；发布前逐卡目检。

8. 字幕断行：按字符数切会切出”两个核/心OKR”。按像素宽度贪心装箱（先切标点 token，超宽再按”的/——“细切）。

六、关键参数（下次直接抄）

• 场景时长 = 旁白真实时长 + 0.45s 尾垫；每场景首尾 0.25s 黑场淡入淡出（音频 afade 同步）
• 卡片运镜：scale=2160:3840, zoompan z=min(1+0.00035*on,1.12) 居中, s=1080x1920:fps=30
• 片段适配：factor=min(场景时长/片段时长, 1.3)（最多放慢 1.3×），不足则 tpad=clone 冻帧
• 字幕：46px 黑体、最大宽 880px、底部 overlay=0:H-260、半透明圆角底条
• 编码：libx264 crf19 medium；成片 1080×1920@30

七、Checklist

• 脚本+分镜先过确认，再消耗生成额度（样音用脚本第一段做 A/B）
• 先做决策树拷问：画幅/风格/实名口径/字幕方案/额度预算
• 含文字的镜头一律程序绘制，AI 只画”无字”画面
• 所有 ffmpeg 多输入命令显式 -map
• 拼接用 concat filter，不用 demuxer copy
• 每段 TTS 解码后验证真实时长；字幕时间轴以音频为准
• 抽帧检查：每场景至少 1 帧 + 片段场景音量检测
• 交付五件套：成片 mp4 / 封面 / srt / 发布文案 / 脚本文档

---

本文整理自一次完整的 AI 辅助视频制作实践，管线代码（cards.py / subs.py / bgm.py / assemble.py）均在项目目录中，下一篇长文视频直接复用。