[Python] Python桌面应用pyMediaTools：FFmpeg批处理与AI字幕生成实战

项目简介

pyMediaTools 是一个基于 PySide6 构建的跨平台桌面应用，集成了强大的媒体批处理能力与先进的 AI 音视频创作工具。它利用 FFmpeg 进行核心媒体处理，并集成 ElevenLabs 和 Groq API 以实现高质量的语音合成与智能字幕生成，为视频创作者和开发者提供了一个功能全面的本地化工具箱。

核心功能

1. 媒体批处理工厂 (MediaConvert)

你是否曾为批量转换视频格式而烦恼？这个模块能高效处理大量视频与音频文件，支持多种转换模式，彻底解放你的双手：

• 格式转换：支持转换为 H.264 (MP4)、DNxHR (MOV)、ProRes 等常用专业格式。
• 音频提取：一键批量从视频中提取音频，并保存为 MP3 或 WAV 格式。
• 水印与处理：支持添加图片或文字水印、模糊背景、裁剪画面等常见操作。
• 多线程处理：充分利用多核 CPU 优势，支持并发转换多个文件，极大提升处理效率。

2. 智能语音合成 (ElevenLabs TTS)

厌倦了机械的电子合成音？该功能集成了 ElevenLabs 先进的语音合成模型，能够生成媲美真人、富有情感的声音：

• 文本转语音：支持选择多种预设声音模型，生成自然流畅、富有表现力的语音。
• 多语言支持：完美支持中英文等多语言混合文本的语音生成。
• 音效生成 (SFX)：只需输入简单的文本描述（如“下雨声”、“人群欢呼”），即可生成逼真的环境音效，为你的视频增色不少。

3. 智能字幕与翻译

手动制作字幕耗时费力？借助 人工智能 能力，pyMediaTools 可以自动生成专业级的字幕文件：

• SRT 生成：自动识别语音内容，生成时间轴精准对齐的 .srt 格式字幕文件。
• 逐词字幕：除了整句字幕，还支持生成逐词 (Word-level) 高亮字幕，这种动态效果非常适合快节奏的短视频。
• 智能翻译：利用 Groq API（支持调用 Llama3、Mixtral 等大模型）的强大能力，自动将生成的字幕翻译为中文或其他语言。

4. 视频剪辑工程导出 (XML)

想让 AI 生成的字幕直接进入专业剪辑流程吗？这个功能实现了从工具到工作流的无缝对接：

• FCPXML 导出：一键导出包含所有字幕轨道和样式信息的 .fcpxml 工程文件，可直接导入 DaVinci Resolve 或 Final Cut Pro 等专业软件进行进一步编辑。
• 智能高亮：利用 LLM 分析文本的情感与重点，自动为关键词、关键句应用高亮样式，突出重点内容。
• 样式自定义：在导出前，你可以完全自定义字幕的外观：
  • 原文字幕：独立设置字体、颜色、描边、阴影和背景。
  • 翻译字幕：为翻译字幕设置另一套独立的样式。
  • 高亮样式：单独设置高亮单词的颜色与效果（例如设置为醒目的黄色粗体）。

5. 下载管理（aria2c）

集成 aria2c，提供高效的多线程下载管理功能。

6. 视频下载（yt-dlp）

集成 yt-dlp，方便从支持的网站下载视频资源。

---

快速开始

系统要求

• 操作系统：Windows 10/11 或 macOS 12+
• Python：3.10 或更高版本（建议使用虚拟环境进行管理）
• 依赖工具：FFmpeg (需包含 ffmpeg 和 ffprobe 可执行文件)
• 依赖工具：aria2c (需包含 aria2c 可执行文件)

安装步骤

1. 克隆项目

   git clone https://github.com/your-repo/pyMediaTools.git
   cd pyMediaTools

2. 安装依赖
   推荐使用虚拟环境以隔离依赖：

   python -m venv venv
   # Windows
   venv\Scripts\activate
   # macOS/Linux
   source venv/bin/activate
   
   pip install -r requirements.txt

3. 配置 FFmpeg
   将 ffmpeg 和 ffprobe 可执行文件放入项目根目录下的 bin 文件夹中（如果没有请新建）。

   • Windows: bin\ffmpeg.exe, bin\ffprobe.exe
   • macOS: bin/ffmpeg, bin/ffprobe

4. 运行程序

   python MediaTools.py

---

配置说明

API 设置

你需要在 GUI 界面或直接编辑 config.toml 配置文件来填入你的 API Key：

• ElevenLabs：用于语音合成功能，你需要在其官网申请 API Key。
• Groq：用于智能翻译和关键词提取功能，同样需要在其平台获取 API Key。

样式自定义

在应用程序的 “XML 样式设置” 标签页中，你可以通过直观的控件可视化地调整字幕的字体、颜色、位置等所有外观设置。所有修改都会实时预览并自动保存到本地配置中。

---

打包指南

如果你想将项目分享给他人，或者制作一个独立的可执行文件，本项目支持使用 Nuitka 进行打包。

macOS 打包

nuitka --standalone \
       --macos-app-icon=Icon.icns \
       --macos-create-app-bundle \
       --output-dir=dist-nuitka \
       --plugin-enable=pyside6 \
       --include-qt-plugins=multimedia,platforms,styles,imageformats \
       --include-package=pyMediaTools \
       --include-data-dir=bin=bin \
       --include-data-files=config.toml=config.toml \
       --include-data-dir=assets=assets \
       MediaTools.py

Windows 打包

nuitka --standalone --windows-console-mode=disable --output-dir=dist-nuitka --windows-icon-from-ico=MediaTools.ico --include-package=pyMediaTools --plugin-enable=pyside6 --include-qt-plugins=multimedia,platforms,styles,imageformats --include-data-files=bin\aria2c.exe=bin\aria2c.exe --include-data-files=bin\ffmpeg.exe=bin\ffmpeg.exe --include-data-files=bin\ffprobe.exe=bin\ffprobe.exe --include-data-files=config.toml=config.toml --include-data-dir=assets=assets MediaTools.py

---

项目地址

你可以访问该项目的 GitHub 仓库获取最新源码和详细文档：https://github.com/timcode-cmyk/pyMediaConvert/blob/main/README.md。欢迎开发者们前往 开源实战 板块交流更多关于桌面应用开发与 AI 工具集成的心得。