企业官网建设流程全解析

vox-director的ffmpeg合成内幕：音乐ducking、烧录字幕与水印全流程

【免费下载链接】vox-directorTurn one topic into a finished Vox-style paper-collage explainer/ad video — automated end to end on Atlas Cloud + ffmpeg. An agent skill.项目地址: https://gitcode.com/gh_mirrors/vo/vox-director

vox-director 能把一个主题自动变成一支 Vox 风格纸拼贴解说视频，而最终的final.mp4全部由本地 ffmpeg 一次合成完成。这篇文章带你拆解 scripts/assemble.py 的完整流程：音乐 ducking（旁白出现时 BGM 自动压低）、烧录字幕、以及水印是怎么叠加上去的——全程没有一行手动剪辑。

为什么合成是最后一道关键工序

整条流水线是：节拍地图 → 关键帧 → 动效 → 配音 + 音乐 →合成。前五步各自产出素材，合成步骤 scripts/assemble.py 负责把多段镜头、逐 beat 的旁白、背景音乐拼成一支成品。它的核心思路在文件头注释里写得很清楚：

旁白和字幕按beat（节拍段落）组织，横跨该 beat 的所有镜头，所以画面可以尽情切，声音始终对齐；BGM 在旁白下方被 duck；字幕和水印是 Pillow 生成的 PNG，用overlay合成。

第一步：镜头归一化与无损拼接

每段 AI 生成的短片段先被归一化为"精确时长的静音视频"，这里有三个贴心细节：

• 慢放不冻帧：片段比旁白短？用setpts微调放慢来填满，而不是tpad定格最后一帧；
• 模糊填充背景：横竖比例不一致的素材（比如 3:4 卡片放进 9:16 画幅）会得到模糊放大版做背景，而不是黑边；
• 统一画布：统一缩放到 16:9 / 9:16 / 1:1 对应分辨率，24fps。

之后用concat协议（-c copy）把所有片段无损拼成一条无音轨的body_silent.mp4，避免二次编码损失画质。

第二步：音乐 ducking——旁白一出，BGM 自动让路

这是整篇文章的主角，对应 scripts/assemble.py 的音频滤镜链，流程是：

1. 逐 beat 延迟对齐：每个旁白文件用adelay推到其 beat 的起始毫秒处；
2. 混音并补齐时长：amix混合后volume提升旁白，再apad+atrim把旁白轨垫到全片时长——这是关键坑：sidechaincompress的输出长度跟随"侧链"，不补齐的话片尾纯音乐段会被-shortest直接剪掉（这个坑项目专门记录在 references/models-and-gotchas.md 里）；
3. 旁白轨一分为二：asplit复制出两路，一路参与混音，一路专门做 ducking 的侧链信号；
4. BGM 预处理：atrim截齐总时长 →volume压低基础音量（默认 0.6，从 0.9 降下来就是为了让旁白主导）→ 结尾 2 秒afade淡出；
5. 侧链压缩：sidechaincompress=threshold=0.02:ratio=12:attack=5:release=350——旁白一响，BGM 以 12:1 的比例迅速压低；旁白停顿后，350ms 的慢释放让音乐自然回升，听感顺滑不生硬。

这套参数保证了"人声永远听得清"，同时背景音乐不抢戏、不突兀。

第三步：烧录字幕——为什么不用 drawtext？

本机 ffmpeg 是精简版，没有 libass 也没有 drawtext（缺 libfreetype）。vox-director 的解法很实用：用 Python + Pillow 把字幕画成透明 PNG，再用 ffmpeg 的overlay按时间窗口贴回视频。

scripts/text_overlay.py 提供两种字幕风格，在beats.json里用"caption_style"切换：

paper风格的亮点在accent_color()：把关键帧缩到 80×80 量化后，按"饱和度×亮度×出现频次"打分挑出一个醒目色（墨西哥片→粉/青绿，唐代片→朱红），让每支片的字幕色调都与画面呼应。

叠加时机用overlay=0:0:enable='between(t,开始,结束)'控制——每个 beat 的字幕在其区间内出现，前后各留 0.2s / 0.1s 缓冲，切换干脆不拖影。字幕字号是min(W,H)×0.045，横竖屏都自适应，且刻意做得小，绝不遮挡拼贴画面。

第四步：水印——一行文字，全程在线

水印由 scripts/text_overlay.py 的render_watermark()渲染：奶油色小字 + 墨色描边，右下角定位（距边 30px），无黑色底框，默认文案是Made with Atlas Cloud · vox-director。

在滤镜链里，它是最后一个 overlay（字幕之后），全片无enable时间窗——即从头到尾常驻，但视觉上足够低调，不抢画面。想改文案？在beats.json里写一个"watermark"字段即可覆盖。

一次编码，产出成品

上面所有滤镜（N 条字幕 overlay + 水印 overlay + 完整音频链）打包进一条-filter_complex，视频libx264+yuv420p、音频 AAC 一次编码输出out/<项目>/final.mp4。少一次编码就少一次画质损失，速度也快得多。

想动手试？参考 examples/money-15s.beats.json 这类现成节拍文件，配合 SKILL.md 的六步工作流，让编码 Agent 帮你跑完全程——你只需批准节拍地图、挑一个喜欢的风格，剩下的交给 ffmpeg。

【免费下载链接】vox-directorTurn one topic into a finished Vox-style paper-collage explainer/ad video — automated end to end on Atlas Cloud + ffmpeg. An agent skill.项目地址: https://gitcode.com/gh_mirrors/vo/vox-director