AI视频本地化：从配音口型到FFmpeg的完整工作流
如果你需要稳定的真人出镜形象，想要让人物跟随配音自然开口，选择对应的工具；如果你的素材以图片、备用镜头或产品物料为主，不需要人脸和口型同步效果，选择另一套工具。
本地化不等于完全离线：工作台、素材索引、任务状态、FFmpeg合成和成片文件都在本地运行，云端仅承接主动配置的文本转语音、AI文案生成或口型同步请求。
两条本地工作流，三个关键层
01
真人出镜口播工作流
/ TALKING HEAD
真人口播工作台：配音、文案、素材与皮肤集中配置
这套工具的输入不是一段已经录制好的口播视频，而是一段脸部清晰的真人正面近景素材。用户准备好文案和音色后，先用主流的文本转语音服务生成音频，再将参考视频和生成的音频交给专业的口型同步云接口完成口型匹配，最后通过FFmpeg合成竖版MP4文件。
A
声音先行：TTS生成口播音频，声音成为口型同步的驱动输入。
B
人物跟随：根据参考视频和音频生成口型同步结果。
C
画面插入：按字幕段落切入本地图片或视频B-roll，人物画面与补充画面交替出现。
B-roll的控制单位不是时间轴上的任意一帧，而是字幕段落：没有切换标记的段落继续用人物画面，标记为“切到素材”的段落使用绑定的本地素材。图片会循环到段落结束，视频素材会循环取用并静音，口播音频始终作为主音轨。
它解决的是“同一张脸能不能反复讲不同内容”，而不是“能不能凭空生成一个人”。
成片库：生成结果可预览、下载和管理
02
快速素材混剪工作流
/ QUICK MASHUP
快速混剪工作台：素材池、文案表格与模板
这套工具不需要真人参考视频，也不做口型同步处理。用户将本地图片或视频加入素材池，可以手动编写文案，也可以调用AI文案生成服务生成内容，选择合适的TTS音色和模板后，工具会自动按照字幕段落将素材拼接成竖版视频。
01
字幕控制节奏：文案按句子或换行拆段，字符数权重决定每段画面停留时长。
02
素材循环与拼接：图片循环，视频按段落裁剪或循环，全部统一进入FFmpeg拼接。
03
统一成片：标题、字幕和低音量BGM在同一条渲染链路中完成。
渲染层固定使用1080×1920画布：cover模式铺满画面并裁切，contain模式保留主体并留边；BGM通过volume=0.18降低音量，再与口播用amix混合；标题和字幕使用FFmpeg drawtext叠加并处理换行。
它解决的是“有一批素材，怎样快速得到可发布版本”，而不是“怎样让模型理解每个镜头”。
快速混剪成片预览
03
通用技术架构与边界
/ SAME CORE
从本地素材到可发布成片
两套工具都采用Node.js + Vite + 本机服务 + FFmpeg的运行模型，数据写入项目下的data/。浏览器localStorage保存配置，任务JSON不保存API Key；素材可以保留原路径，由工具建立索引。
这是一种边界清楚的轻量架构：不需要数据库、Redis、对象存储或Docker才能开始。但任务状态依赖本机进程，停止页面或服务后，正在运行的任务不会自动续跑。
本机掌握素材边界，云端提供按需生成能力
如果素材涉及人脸、商业机密或未公开内容，应在启用TTS、AI文案生成和口型同步服务前确认数据传输范围；没有云端服务器，不代表不会访问云端API。
04
工具选型对比
/ CHOOSE YOUR PATH
真人出镜口播工作流
适合数字人口播、课程、产品讲解和固定主播形象；核心门槛是参考人脸素材和口型同步接口配置。
快速素材混剪工作流
适合商品图、知识卡片、旅行素材和快速批量混剪；核心门槛是素材编排和字幕节奏。
最简单的判断方式是：在意“谁在说”，选口播工作流；在意“画面怎么快点成片”，选混剪工作流。两者也可以组合，前者负责人物主持，后者负责产品图、案例图和补充素材。
不要先问哪个工具更“全”，先问你的成片是否需要一个会说话的人。这个判断会直接决定整条技术链路。
AI视频生产的本地化，不是把所有模型塞进电脑
它更像一次边界重划：本机负责素材、任务和渲染，云端负责TTS、文案或口型同步，FFmpeg负责把结果变成可重复、可检查的成片。配音、字幕、口型、B-roll和合成一旦被拆成清晰步骤，视频生产才从一次性Demo变成真正能反复运行的工作流。
