今年初接到一个教育类项目:某培训机构需要把200多节PPT课件批量转成带配音的教学视频。每节视频5~8分钟,内容是PPT逐页展示+语音讲解+字幕。
第一反应是FFmpeg拼接——但PPT里有大量动画效果、代码高亮、数学公式,纯图片拼接效果太差。剪映批量模板?200节人工操作不现实。调研了一圈后锁定了Remotion:用React写视频,每一帧都是React组件渲染的结果,天然支持HTML/CSS的一切表现力,而且可以用Node脚本批量驱动渲染。
核心优势总结:
课件原始格式是PPTX,需要先转成可编程处理的中间格式。导出的内容质量参差不齐——表格错位、字体丢失、背景色不对,大概30%的页面需要手动修复。
我们做了一套预处理流程:统一字体、修复布局、提取关键要素(标题/正文/代码块),最终每一页课件变成结构化数据,渲染引擎根据内容类型自动选择对应的展示模板。
配音采用Azure TTS云端合成,音色自然度在国产TTS方案中属于第一梯队。每页课件的讲解文案由客户提供的文档提取,通过API生成音频文件并获取时间戳数据。
关键设计:每一页的音频时长决定了该页在视频中的停留时间,画面和声音始终保持同步——不管讲解文案长短,都不会出现"画面等声音"或"声音等画面"的问题。
最初的方案是"一页一段音频",但实测发现问题:有些页面讲解只有8秒,观众还没看清内容就翻页了;有些页面讲了90秒,内容早就看完了很无聊。
于是引入了voice-line保留机制:把每页的讲解拆成多个语句段落,每个语句段落对应一个"内容高亮区域"。讲到第3句时,页面上第3个要点自动高亮,前面的变灰。这样即使一页停留90秒,观众的注意力也能被持续引导。
效果远超预期,客户看到Demo后直接追加了50节课件的订单。
单个视频渲染简单,但200多个视频需要自动化管线。我们搭建了批量渲染流程,配合云主机并行处理,实现了全自动的"参数化→渲染→通知→重试"流程。
最终交付视频总时长超过18小时,总文件大小约45GB,通过OSS分批传给客户。整个渲染过程无需人工干预。
React组件里用了固定高度的容器,但有些页面文字特别多,直接溢出到画面外面。视频渲染不像浏览器会自动滚动——超出Canvas区域的内容直接被裁掉,而且渲染时不会报错,只有看成品才发现。解决方案:预处理阶段加一个"内容量检测",超过阈值的页面自动缩小字号或拆成两页。
Azure TTS生成的WAV文件个别句子有爆音(pbox),特别是句末感叹号多的时候。Remotion渲染时音频不做任何处理直接混入,成品视频里就能听到明显的"噗"一声。排查发现是TTS的pitch参数设太高了。最终统一降低音调,并在音频后处理阶段加了一道限幅滤波,问题消失。
本地macOS开发一切正常,部署到Linux云主机渲染时中文全变成□□□。原因很简单:服务器没装中文字体。但Remotion底层用的是Headless Chrome,光装系统字体不够,还要确保Chrome能找到。最终方案:把字体文件放进项目目录,在组件里加载,彻底不依赖系统字体。
Remotion的"代码即视频"理念非常适合批量、模板化的视频生产场景。这个项目让我们验证了一条完整的管线:课件→结构化数据→配音同步→批量渲染→交付。整套方案沉淀成了内部工具,后续接类似项目基本可以做到"改配置就出片"。
批量视频制作需求?联系我们