BookerAutoVideo

音视频自动处理工具，提供文本转视频、语音转文字、关键帧提取、图片分类、视频切分等子命令。

BookerAutoVideo [-h] [-v] [-k KEY] [-H HOST] [-P PROXY] {gen,totxt,ext-kf,clip-test,metric,split} ...

安装后在命令行可使用三个等价命令：BookerAutoVideo、bav、auto-video。

安装

pip install .

外部依赖（需自行安装并加入 PATH）：

• ffmpeg —— 所有音视频处理都基于它
• 语音识别模型（SenseVoice）—— totxt 子命令的 ASR 引擎，需要 SenseVoice 模型目录（目录内含 fsmn-vad 子目录），路径通过 -w 或环境变量 WHISPER_CPP_MODEL_PATH 指定

全局参数

参数	说明
-h, --help	显示帮助
-v, --version	显示版本号
-k KEY, --key KEY	OpenAI API Key，默认取环境变量 OPENAI_API_KEY
-H HOST, --host HOST	API 地址，默认取环境变量 OPENAI_BASE_URL
-P PROXY, --proxy PROXY	代理

gen —— 文本转视频

把 Markdown/TXT 文本自动生成带配音、配图和字幕的视频。

BookerAutoVideo gen <fname> [options]

• 输入：.md 或 .txt 文件，按段落逐句 TTS 配音、TTI 配图，再用 ffmpeg 合成视频并烧入字幕
• 输出：与输入同名的 .mp4 视频（若同名视频已存在会报错）

参数	默认值	说明
fname	—	源文件名（必填）
-m, --model	OPENAI_TTI_MODEL	图像生成模型名
-r, --retry	1000000	图像生成失败重试次数
-t, --threads	8	并发线程数
-p, --one-pic	—	所有帧共用一张图片，参数为其路径
-pf, --prefix	''	发往图像生成模型的 prompt 前缀
-sf, --suffix	''	发往图像生成模型的 prompt 后缀

示例：

BookerAutoVideo -k $OPENAI_API_KEY gen story.md
BookerAutoVideo gen story.md -m dall-e-3 -t 4

totxt —— 音视频转文字

把音频或视频转成带时间轴排版的 Markdown，视频还会提取关键帧图片插入文档。

BookerAutoVideo totxt <fname> [options]

• 输入：音频/视频文件，或一个目录（会逐个处理目录内的媒体文件）
• 处理流程：语音识别（SenseVoice）→ 若为视频且未加 -I，提取关键帧写入 ![](img/xxx.png) → 排版保存为同名 .md
• 输出：同名 .md 以及同目录下的 img/ 图片文件夹
• 同目录已存在同名 .srt 时会直接解析字幕，跳过 ASR

参数	默认值	说明
fname	—	文件名或目录（必填）
-t, --threads	8	线程数
-I, --no-image	False	不抓取视频截图，仅做语音识别
-w, --whisper	WHISPER_CPP_MODEL_PATH	语音识别模型目录（SenseVoice，含 fsmn-vad）
-l, --lang	zh	语言
-m, --model-path	PPT_MODEL_PATH	人像/景物过滤模型路径
-s, --batch-size	32	模型推理批大小
-dt, --diff-thres	0.1	帧间差阈值
-pt, --ppt-thres	0.4	PPT 过滤阈值
-c, --color	0.4	颜色熵阈值
-H, --hog	0.5	HOG 熵阈值
--left / --right / --bottom / --top	0	画面裁剪比例（0~1）

示例：

BookerAutoVideo totxt video.mp4 -w D:\src\SenseVoiceSmall
BookerAutoVideo totxt lectures/              # 批量处理整个目录

ext-kf —— 关键帧提取

从视频中提取关键帧，保存为图片序列。

BookerAutoVideo ext-kf <fname> [options]

• 处理流程：按 -r/--rate 抽帧 → 计算 colorfulness/hog 过滤低信息量帧 → 按帧间差去重 → 可选 PPT 模型过滤人像/景物帧 → 图像优化
• 输出：<name>_keyframe/ 目录，文件名为 keyframe_<hms>.png

参数	默认值	说明
fname	—	视频文件名（必填）
-o, --opti-mode	quant	图像优化模式：none / quant / grid / trunc / thres
-r, --rate	0.2	每秒抽取帧数
-d, --direction	backward	帧差计算方向：forward / backward / twoway
-dt, --diff-thres	0.1	帧间差阈值
-t, --threads	8	线程数
-pt, --ppt-thres	0.4	PPT 过滤阈值
-m, --model-path	PPT_MODEL_PATH	人像/景物过滤模型路径（为空则跳过该步）
-s, --batch-size	32	模型推理批大小
-c, --color	0.4	颜色熵阈值
-H, --hog	0.5	HOG 熵阈值
--left / --right / --bottom / --top	0	画面裁剪比例（0~1）

示例：

BookerAutoVideo ext-kf lecture.mp4 -r 0.5 -o quant
BookerAutoVideo ext-kf lecture.mp4 -m PPTModel -pt 0.6

clip-test —— 图片分类

用中文 CLIP 模型对一张图片或一个目录里的所有图片分类。

BookerAutoVideo clip-test <img> [options]

参数	默认值	说明
img	—	图片文件或目录（必填）
-c, --cates	图文,幻灯片,人像,景物	候选类别，逗号分隔
-m, --model-path	CLIP_PATH	CLIP 模型路径
-s, --batch-size	32	推理批大小

示例：

BookerAutoVideo clip-test photo.jpg -c 风景,人像,美食

metric —— 图片指标

计算单张图片的 colorfulness、hog、sharpness 三个指标，用于判断画面信息量，配合 ext-kf 的阈值调参。

BookerAutoVideo metric <fname>

split —— 视频切分

按段数或时长把视频切成多个片段。

BookerAutoVideo split <fname> <seg>

• <seg> 为纯数字时表示段数；为 hms 格式（如 10m、1h30m）时表示每段时长，输出 fname_<start>.ext

示例：

BookerAutoVideo split lecture.mp4 8        # 切成 8 段
BookerAutoVideo split lecture.mp4 1h30m    # 每段 1 小时 30 分钟

环境变量

命令行参数缺省时，以下环境变量提供默认值：

变量	作用
OPENAI_API_KEY	-k 的默认值
OPENAI_BASE_URL	-H 的默认值
OPENAI_TTI_MODEL	gen -m 的默认值
WHISPER_CPP_MODEL_PATH	totxt -w 的默认值
PPT_MODEL_PATH	totxt / ext-kf -m 的默认值
CLIP_PATH	clip-test -m 的默认值