数字人视频工厂产品系统

本地商家与个体创作者需要持续产出短视频做引流，但真人出镜拍摄周期长、成本高，外包剪辑一条几十到上百元，且需要反复沟通修改。项目立项旨在把“一句卖点或一张商品图”直接转成可发布的短视频，涵盖文案、配音、字幕、画面、背景音乐全流程，让不懂剪辑的人也能在几分钟内拿到成片，同时内置 AI 生成内容标识，满足平台对合成内容的合规要求。

系统分为五大模块。一、文案引擎：输入商品名与卖点，自动生成口播文案，支持本地模板与接入大模型两种模式。二、语音合成：内置八个中文音色，可调语速，离线环境自动回落系统语音。三、画面合成：支持人像数字人口型动画、商品图片 Ken Burns 推拉镜头、要点卡片、封面图三种版式。四、后期处理：自动生成 ASS 字幕并烧录、混入背景音乐、右下角添加 AI 生成标识、适配横屏与竖屏两种画幅。五、发布分发：支持一键分发至多个视频平台，并提供历史任务管理与重跑。

本人独立完成需求设计、算法选型、全部代码与部署。技术栈为 Python + Flask 提供服务与异步任务队列，edge-tts 负责语音合成并以系统 SAPI 兜底，FFmpeg 完成字幕烧录、画面推拉与音视频混流，rembg 搭配 ONNX 模型做抠图，Pillow 逐帧合成口型、眨眼与呼吸动画。亮点是用抠图后主体长宽比自动判别图片类型，人像走数字人流程、横向商品图自动降级为图文版。难点在于本机仅有集成显卡无法运行大模型方案，改为绕开 PyTorch 用 ONNX 加逐帧绘制实现轻量化动画，并解决后台进程被系统回收导致服务中断的问题。