workbuddy怎么把从提供PPT+啄字稿，至生成PPT宣讲视频

WorkBuddy 怎么把「PPT + 啄字稿」一键变成 PPT 宣讲视频

摘要：一套纯本地的完整链路——把每页备注里写好的逐字稿，用 GPT-SoVITS 克隆音色逐页配音，再把 PPT 渲染成 1920×1080 高清画面，最后用 ffmpeg 合成一条「逐页全屏 + 本人声音讲解」的 MP4 宣讲视频。全程不依赖云端 TTS，不额外装 Office 之外的任何重量级组件。

一、背景与痛点

做售前、培训、产品宣讲的人都有一个共同烦恼：PPT 做完了，逐字稿也写好了，但要录一条讲解视频，传统做法是「开着录屏软件，一边翻页一边照着稿念」。问题随之而来：

• 念稿卡壳、口误，一条视频要反复录十几遍；
• 翻页和声音对不齐，讲到第 5 页了画面还停在第 3 页；
• 每次改一页稿子，整条视频都得重录；
• 想用本人音色但本人没空、嗓子状态差，录出来效果不稳定。

有没有一种办法：稿子是现成的（PPT 备注里就有）、声音是本人的（克隆一份就行）、画面是原封不动的 PPT，三条线自动对齐，一键出片？

有。下面这套链路就能做到，核心工具是 WorkBuddy 里的「PPT 宣讲视频」能力，底层用本地 GPT-SoVITS 做音色克隆、PowerPoint COM 做渲染、ffmpeg 做合成。全部跑在本机，不碰云端 TTS，隐私和音色都自己掌控。

二、核心思路

整体只做四件事，每件事一个脚本：

1. 提取逐字稿：把 PPTX 每一页备注栏的文字抽出来，一页一个 .txt；
2. 逐页配音：用本地 GPT-SoVITS 的克隆音色，把每页稿子合成一段 .wav；
3. 渲染画面：用 PowerPoint COM 把每一页导出成 1920×1080 的 .png；
4. 合成视频：用 ffmpeg 按「一页画面 + 一段配音」的顺序拼成 MP4，页与页之间留 0.4 秒停顿。

关键点在于「音画按页对齐」：因为是先逐页配音、再逐页渲染，最后按同一序号拼接，所以第 N 页的声音天然对应第 N 页的画面，彻底解决翻页错位问题。而且改哪页，只需重新生成哪一页，不用整条重做。

三、分步实操

先说输入输出约定：输入是一个 .pptx，每页备注 = 该页的配音文字，一段到底；输出是同名的 _宣讲视频.mp4。

步骤 1：提取逐字稿

python310\python.exe scripts\extract_script.py "D:\演示\方案宣讲.pptx"

跑完会在 deck_script/ 下生成 P01.txt 到 P0N.txt。脚本还会提示哪些页的备注是空的——空备注意味着这一页没有配音，合成时会变成静音画面，记得回头补上稿子。

步骤 2：逐页配音（耗时，必须后台跑）

venv310\Scripts\python.exe scripts\infer_pages.py

跑完在 deck_audio/ 下生成 P01.wav 到 P0N.wav，采样率 32kHz 单声道。因为用 CPU 跑 GPT-SoVITS，大约 1 分钟/页，所以这条命令一定要放后台执行。已经生成过的页会自动跳过——想只改某一页，删掉对应 wav 或改对应 txt 再重跑即可。

步骤 3：渲染高清画面

python310\python.exe scripts\render_pptx.py "D:\演示\方案宣讲.pptx" "D:\AI工具集\声音克隆工具\deck_slides"

在 deck_slides/ 下生成 P01.png 到 P0N.png，每张 1920×1080。这一步依赖本机装了 Microsoft PowerPoint。

步骤 4：合成 MP4

venv310\Scripts\python.exe scripts\build_video.py "D:\演示\方案宣讲_宣讲视频.mp4"

合成逻辑是每页 -loop 1 循环画面 + 配音，末尾用 apad 补 0.4 秒停顿，-shortest 控制时长，再 concat 拼接。出片后建议跑一句校验：

ffmpeg -i "D:\演示\方案宣讲_宣讲视频.mp4"

看 Duration 是否约等于「配音总时长 + 页数 × 0.4 秒」，对得上就说明音画没串台。

四、质检清单

• 逐字稿一页对应一段，且已去掉「呃 / 嗯 / 啊」这类语气词；
• 每页备注都非空，没有静音页；
• 配音文件数与渲染画面数一致，序号一一对应；
• 成片时长 ≈ 配音总时长 + 页数 × 0.4 秒；
• 抽一页听效果，确认数字、英文缩写（如 WiFi6、802.1X）发音正常。

五、踩坑与对策

六、小结

这条链路的真正价值在于把「写稿」和「出片」解耦：逐字稿是你本来就在写的东西（PPT 备注），声音是你一次性克隆好的本人音色，画面是你已经定稿的 PPT。三者各自独立、按页对齐、可局部重做。改一页稿不用重录整条，换一段措辞只需重新合成那一页的声音。

如果你也有「PPT 做好了、稿子写好了、就差一条讲解视频」的需求，不妨用 WorkBuddy 跑一遍上面的四步流程。上手时先拿一个 3~5 页的小 PPT 试跑通全链路，确认音色和节奏满意后，再套用到正式的宣讲材料上，效率会非常可观。