AI 视频音频合成系列

本文基于 MiBee NVR 开源项目 45 秒宣传片的实战经验整理。你将学到用 代码生成视频画面（Remotion）、用 AI 语音生成配音（edge-tts）、离线合成 BGM（numpy），以及用 ffmpeg 把三者合成成品。所有步骤均可直接上手。

edge-tts 配音实战

本文是系列第二篇，聚焦语音合成（TTS）环节——用 edge-tts（微软 Azure 免费神经 TTS 接口）批量生成多语言、多音色的配音文件。所有代码来自真实项目（MiBee NVR 45 秒宣传片），可直接复用。

BGM 离线合成（numpy）

第三关是配乐。本项目用 numpy 现场算一段 45 秒空灵 BGM，零版权风险、风格完全可控。

为什么不用素材库

素材库有三个问题：

• 版权模糊：免费素材的授权条款各不相同，商用可能踩坑。
• 风格匹配难：要找一段 45 秒、空灵、不抢人声、能切到任意时长的 BGM，几乎不可能。
• 批量改不了：要调音量、改混响、换调式，素材是固定录音，没法改。

代码生成则完全反着来：参数调一调，重新跑一遍就有新版本。

概览

这是系列的完结篇。前面三篇分别讲了用 Remotion 生成画面、用 edge-tts 批量配音、用 numpy 离线合成 BGM。本篇把三路产物合一：用 ffmpeg filter_complex 把无声视频 + 7 段配音 + 一段 BGM 混成最终成片，同时覆盖端到端工作流、踩坑大全和底层原理。