企业官网建设流程全解析

## 〇、前言：为什么要做这件事

家里娃 正值英语启蒙黄金期。市面上的英语启蒙 App 看了不少，要么收费贵，要么动画太快娃跟不上，要么发音不够生活化。

最后决定自己 DIY 一套：以"Mom 和 Kid 日常对话"为题材，每张卡片一个生活场景（起床、刷牙、吃饭、做作业等），配中英双语字幕 + 标准英语配音 + 动静态画面切换。

最终产出：**76 张 3:4 高清卡片**（12 个主题）+ **76 个 MP4 动画视频**（每段 20-30 秒）+ **1 份 76 页 PDF 电子绘本**。

整个项目断断续续用了 3 天左右（不全是动手，主要是迭代和踩坑），本文是完整复盘。

其实，还得是用minimax订阅+原生的APP(MiniMax Code)，自然语言直接就接入多模态，方便的很，用我的链接订阅，还有优惠呀，你如果有视频、教程想制作也可以试试 呀。

---

## 一、整体架构：4 步流水线

```
[对话文本]
│
▼
[Matrix MCP] ──→ 76 张静态图片 (3:4 PNG, 2K)
│
▼
[TTS 语音合成] ──→ 373 段 mp3 (Mom/Kid 双角色)
│
▼
[PIL 烧字幕] ──→ 76 × 5~6 张带字幕图
│
▼
[FFmpeg 合成] ──→ 76 个 mp4 视频
│
▼
[ReportLab 排版] ──→ 1 份 PDF 绘本
```

四个核心工具：**Matrix（MCP 协议）**、**Batch TTS**、**Pillow (PIL)**、**FFmpeg**。最后 ReportLab 收尾出 PDF。

---

## 二、第一步：76 张图片生成

### 2.1 场景设计

12 个主题，每个 4-10 张卡片，总共 76 张：

| 主题 | 张数 | 示例标题 |
|---|---|---|
| 早晨起床 | 2 | Wake up, honey. / Time to get out of bed. |
| 晨间活动 | 4 | Stretch your body. / Open your eyes. |
| 洗漱穿衣 | 7 | Go wash your face. / Comb your hair. |
| 饭桌日常 | 10 | Sit properly. / Chew slowly. |
| 做作业 | 10 | Hold your pen correctly. / Spell the word. |
| 玩耍互动 | 8 | Let's play together. / Be quiet please. |
| 行为礼貌 | 8 | Say please and thank you. / Wait your turn. |
| 夸奖鼓励 | 6 | Well done! / That's amazing! |
| 情绪安抚 | 5 | Don't cry. / Take a deep breath. |
| 出门&回家 | 6 | Hold my hand tight. / We're home! |
| 睡前晚安 | 5 | Time for bed. / I love you. |
| 简单问答 | 5 | How was your day? / Are you tired? |

### 2.2 Prompt 模板

风格锁定为**绘本插画风**（3:4 比例，暖色调，每个图包含完整对话气泡）：

```python
prompt = """
A warm cozy [场景], soft natural light. [人物动作描述].
Soft pastel colors, picture book illustration style,
hand-drawn watercolor feel.
At the top of the image, a clear title in hand-drawn style font: [标题].
Below the scene, bilingual dialogue in speech bubbles,
English on top and Chinese translation below each line,
with Mom and Kid labels.
Dialogue: [对话内容]
Clear readable text, picture book style. 3:4 vertical aspect ratio.
"""
```

调用方式（Matrix MCP 协议）：

```bash
mavis mcp call matrix matrix_generate_image \
'{"requests": [{"prompt": "...", "aspect_ratio": "3:4", "resolution": "2K"}]}'
```

### 2.3 一些坑

- **敏感词触发**：prompt 里如果出现"swallow"（吞咽）、"spit"（吐）、"hurt"（伤）等词会被某些内容审核拦截，**改成同义词绕开**（比如 "drink the water"、"the pain feels uncomfortable"）
- **批量失败重试**：每批 10 张生成，偶尔有 1-2 张失败（如"The result is unavailable"），重试一次就好
- **中文字符**：绘本插画风的 AI 通常会画图，但中文字经常写错（笔画缺失、字形奇怪），所以后面我们用 **PIL 后期烧字幕**，不用 AI 直接写中文字

---

## 三、第二步：373 段 TTS 配音

### 3.1 选声音

Matrix 的 TTS 内置 300+ 声音，调研后选两个：

- **Mom**：`English_Graceful_Lady`（温柔英文女声，标准美音）
- **Kid**：`cute_boy`（可爱男童声，比 cute_boy-jingpin 更活泼）

### 3.2 批量调用

```python
from minimax_mcp import batch_text_to_audio

requests = []
for card in CARDS:
for i, (role, text) in enumerate(card.dialogues, 1):
requests.append({
"text": text,
"output_file_path": f"aud_c{card.id}_{i:02d}_{role.lower()}.mp3",
"voice_id": "English_Graceful_Lady" if role == "Mom" else "cute_boy",
"speed": 0.95 if role == "Mom" else 0.9, # 妈妈略慢一点
})

batch_text_to_audio(requests=requests)
```

**76 张卡片 × 平均 5 段对话 = 373 次 TTS 调用**。用 `batch_text_to_audio` 一次最多 10 个请求，所以分了 38 个 batch 并发跑（每次工具调用 10 个）。

实测 373 段 TTS 全部成功，耗时约 15 分钟。

---

## 四、第三步：动态字幕设计（关键！）

### 4.1 设计目标

原图里已经有完整对话气泡，但**孩子跟读时需要"当前在读哪句"的高亮**。所以我加了一层动态字幕：

- **底部 60 像素黑条**（半透明 55%）
- **左侧标签**：Mom（粉色 #FFB6C1）/ Kid（蓝色 #87CEEB）
- **右侧文本**：当前句的英文（Arial, 28pt, 白色）

### 4.2 PIL 烧字幕脚本

```python
from PIL import Image, ImageDraw, ImageFont

FONT = "/System/Library/Fonts/Supplemental/Arial.ttf"
MOM_COLOR = (255, 182, 193)
KID_COLOR = (135, 206, 235)
WHITE = (255, 255, 255)
BG = (0, 0, 0)

def burn_subtitle(src_img_path, out_path, role, text):
# 加载并缩放原图,顶部 720x900 留 60 像素给字幕
img = Image.open(src_img_path).convert("RGB")
sw, sh = img.size
scale = 900 / sh
img = img.resize((int(sw * scale), int(sh * scale)), Image.LANCZOS)

canvas = Image.new("RGB", (720, 960), BG)
canvas.paste(img, ((720 - img.size[0]) // 2, 0))

draw = ImageDraw.Draw(canvas)
# 半透明黑底
overlay = Image.new("RGBA", (720, 80), (0, 0, 0, 180))
canvas.paste(overlay, (0, 880), overlay)

# 标签
f_role = ImageFont.truetype(FONT, 30)
f_text = ImageFont.truetype(FONT, 26)
color = MOM_COLOR if role == "Mom" else KID_COLOR
draw.text((20, 893), f"{role}:", fill=color, font=f_role)
draw.text((110, 895), text, fill=WHITE, font=f_text)

canvas.save(out_path, "PNG")
```

### 4.3 为什么不用 ffmpeg drawtext？

试过 ffmpeg 的 drawtext 滤镜，结果发现：
- 13 个 drawtext 串在一起非常慢（串行处理）
- 转义字符在 shell 和 ffmpeg 解析层有冲突，调试到吐血

**PIL 一次烧 6 张图，再让 ffmpeg 只做最简单的"图 + 音频"拼接** —— 这个架构**最稳**。

---

## 五、第四步：FFmpeg 视频合成（踩坑重灾区）

### 5.1 单段视频

每段 = 单张字幕图 + 单段音频（音频 + 0.5s 静默）：

```python
import subprocess

def make_segment_video(img_path, audio_path, out_path):
audio_dur = get_dur(audio_path) # ffprobe
subprocess.run([
"/usr/local/bin/ffmpeg", "-y", "-loglevel", "error",
"-loop", "1", "-i", img_path,
"-i", audio_path,
"-c:v", "libx264", "-preset", "ultrafast", "-crf", "28",
"-tune", "stillimage",
"-c:a", "aac", "-b:a", "192k", "-ar", "44100", "-ac", "2",
"-pix_fmt", "yuv420p", "-t", str(audio_dur),
"-vf", "scale=720:960:force_original_aspect_ratio=decrease,"
"pad=720:960:(ow-iw)/2:(oh-ih)/2",
out_path,
])
```

### 5.2 拼接多段

最开始的版本（**有 bug**）：

```python
# ❌ 这个写法会让所有小视频堆在 0s,最终只显示第一段
subprocess.run([
"ffmpeg", "-y", "-loglevel", "error",
"-f", "concat", "-safe", "0", "-i", "list.txt",
"-c", "copy", # ← 罪魁祸首!
out_path,
])
```

### 5.3 🐛 坑：concat demuxer + `-c copy` 的诡异行为

**症状**：所有 76 张视频文件大小几乎一样（5 段的 ~1.93MB，4 段的 ~1.53MB），md5 也几乎一样。

**根因分析**：

ffmpeg 的 `concat demuxer` 在 `-c copy` 模式下**不重新生成 pts（presentation timestamp）**。6 段小视频的 pts 都从 0 开始，导致它们在时间轴上**全部叠加**在 0s 位置：

```
pts: 0s 1s 2s 3s 4s 5s ... 24s
┃ ┃ ┃ ┃ ┃ ┃
seg1: [████████████████████] ← 5s
seg2: [████████████████████] ← 5s (覆盖在 seg1 上)
seg3: [████████████████████] ← 5s (覆盖)
seg4: [████████████████████] ← 5s
seg5: [████████████████████] ← 5s
```

ffmpeg 看到 seg1 结束就停了（因为流长度对齐到 seg1），后面几段被丢弃。最终视频里只能看到**第一段**的画面，但时长显示是 5 段总长（这是 stream metadata 的 bug，时间戳乱了但时长字段还在）。

### 5.4 修复方案

**方案 A：去掉 `-c copy`，强制重新编码**

```python
subprocess.run([
"ffmpeg", "-y", "-loglevel", "error",
"-f", "concat", "-safe", "0", "-i", "list.txt",
"-c:v", "libx264", "-preset", "ultrafast", "-crf", "28",
"-c:a", "aac", "-b:a", "192k",
out_path,
])
```

**方案 B：用 filter_complex（更稳）**

```python
subprocess.run([
"ffmpeg", "-y",
"-i", "seg1.mp4", "-i", "seg2.mp4", ..., "-i", "seg6.mp4",
"-filter_complex",
"[0:v][0:a][1:v][1:a][2:v][2:a][3:v][3:a][4:v][4:a][5:v][5:a]"
"concat=n=6:v=1:a=1[v][a]",
"-map", "[v]", "-map", "[a]",
"-c:v", "libx264", "-c:a", "aac",
out_path,
])
```

### 5.5 验证方法

光看文件大小不够（看起来对，**内容其实是错的**），必须三重验证：

```python
# 1. MD5 唯一性
import subprocess
md5s = set()
for f in videos:
md5 = subprocess.check_output(["md5", "-q", f]).decode().strip()
md5s.add(md5)
assert len(md5s) == len(videos), "视频内容重复!"

# 2. 时长合理性 (5 段对话应该 ~24s)
for f in videos:
dur = get_dur(f)
expected = sum(seg_durations) + 0.5 * (n_segs - 1)
assert abs(dur - expected) < 1.0, f"时长不对: {f} {dur}s"

# 3. 抽几段抽帧对比
subprocess.run(["ffmpeg", "-i", video1, "-vf", "select=eq(n\,0)", "-vframes", "1", "frame1.jpg"])
subprocess.run(["ffmpeg", "-i", video2, "-vf", "select=eq(n\,0)", "-vframes", "1", "frame2.jpg"])
# 视觉对比 frame1 != frame2
```

### 5.6 另一个隐藏坑：list.txt 路径

ffmpeg `concat demuxer` 的 `file 'xxx'` 相对路径是**相对于 ffmpeg 进程的 cwd**，不是相对于 list.txt 位置。

```python
# ❌ 错: list.txt 在 work_dir, file 写 basename, cwd=workspace
# ffmpeg 会在 workspace/ 下找 seg1.mp4,找不到

# ✅ 对: list.txt 和 seg 在同一目录, ffmpeg cwd=work_dir
list_file = f"{work_dir}/_concat_list.txt"
subprocess.run(["ffmpeg", ...], cwd=work_dir)
```

---

## 六、批量处理：75 张卡片流水线

完整脚本 `/tmp/build_all_videos.py`：

```python
import subprocess
from cards_data import CARDS # 75 张卡片数据
from PIL import Image, ImageDraw, ImageFont

def process_card(card):
cid, en, zh, img, dialogues = card
work_dir = f"work_c{cid}"
os.makedirs(work_dir, exist_ok=True)

# 1. PIL 烧 6 张字幕图
for i, (role, text) in enumerate(dialogues, 1):
burn_subtitle(f"images/{img}", f"{work_dir}/seg{i}.png", role, text)

# 2. 每段音频 + 0.5s 静默 → 单段 mp3
for i, aud in enumerate(seg_audios, 1):
if i < len(seg_audios):
cat(f"{aud} silence_{i}.mp3", f"{work_dir}/aud_{i}_full.mp3")
else:
cp(aud, f"{work_dir}/aud_{i}_full.mp3")

# 3. 每段小视频
for i in range(1, len(dialogues) + 1):
make_segment_video(f"{work_dir}/seg{i}.png",
f"{work_dir}/aud_{i}_full.mp3",
f"{work_dir}/seg{i}.mp4")

# 4. concat 多段 → 最终视频 (重新编码!)
concat_videos(seg_videos, f"card_{cid:02d}_{safe_name}.mp4", work_dir)
```

后台跑了 1.5 小时处理 75 张 × 6 段 = 450 段小视频 + 75 次 concat。

---

## 七、PDF 电子绘本（顺便做的）

用 **ReportLab + STSong-Light** 排版：

```python
from reportlab.pdfgen import canvas
from reportlab.pdfbase.cidfonts import UnicodeCIDFont

pdfmetrics.registerFont(UnicodeCIDFont('STSong-Light')) # 自带中文字符集

def draw_card(c, num, en_title, zh_title, img_path, total):
# A4 居中放图
c.drawImage(img_path, img_x, img_y, width=img_w, height=img_h)
# 底部英文标题 + 中文标题
c.setFont("Helvetica-Bold", 16)
c.drawString((W - tw) / 2, 20 * mm, f'"{en_title}"')
c.setFont("STSong-Light", 14)
c.drawString((W - zw) / 2, 12 * mm, zh_title)
```

**坑：macOS 自带的 PingFang.ttc / STHeiti.ttc 是 TTC（TrueType Collection）格式，reportlab 不支持**。必须用 reportlab 内置的 `STSong-Light`（自带中文字符集 + 嵌入字体子集）。

76 张卡片 + 1 封面 + 12 主题分隔页 = 89 页 PDF，**25 MB**。

---

## 八、性能 & 产出数据

| 阶段 | 数量 | 耗时 | 输出 |
|---|---|---|---|
| 图片生成 | 76 张 2K | ~30 min | 2.8 GB PNG |
| TTS 配音 | 373 段 | ~15 min | 130 MB MP3 |
| PIL 烧字幕 | 450 张 | ~5 min | 200 MB PNG |
| 单段小视频 | 450 段 | ~30 min | 1.5 GB MP4 |
| Concat 完整视频 | 75 段 | ~10 min | 150 MB MP4（最终 76 张） |
| PDF 排版 | 89 页 | ~2 min | 25 MB PDF |
| **总计** | | **~1.5 h** | **~5 GB 中间产物** |

最终交付物：
- 76 张卡片 PNG（单张 ~3 MB）
- 76 个 MP4 视频（单张 ~2 MB）
- 1 份 PDF 绘本（25 MB）
- **4 个 zip 分卷打包**（按主题分，共 108 MB）

---

## 九、关键经验 & 复盘

### ✅ 做得对的地方

1. **风格锁定 + Mom/Kid 标签**：从第一张到最后一张，所有图片风格高度统一，孩子一眼就能认出"这就是我们的卡片"
2. **PIL 烧字幕代替 drawtext**：避免了 13 个 drawtext 滤镜的转义地狱
3. **静帧 + 短音频 + concat**：用最简单的视频结构（每段就是一张图 + 一段音），拼接逻辑清晰
4. **每段加 0.5s 停顿**：孩子跟读时需要反应时间，停顿是必须的

### ❌ 踩的坑

1. **`-c copy` + concat demuxer 不重新生成 pts**：76 张视频全部是相同内容（卡 1 反复出现）。**必须重新编码**
2. **list.txt 路径用 basename + 错 cwd**：ffmpeg 找不到文件，输出空内容。**list.txt 必须在 work_dir 下，cwd 也设成 work_dir**
3. **drawtext 转义字符**：`,` 在 ffmpeg filter 里是分隔符，shell 里要 `\,`，多层转义搞死人
4. **ar 44100 / ac 2 重采样失败**：mp3 时间戳错乱。**用 `-ar 44100 -ac 2` 编码 aac 没问题，但用 aresample 滤镜会乱**
5. **忘了 -t 限制单段时长**：`-loop 1` + `-shortest` 没生效（默认图像流帧率 25），单段视频变 15s。**必须显式 `-t 音频时长`**
6. **md5 验证漏了**：光看文件大小没发现 bug，因为编码参数相同大小就接近。**md5 + 时长 + 抽帧对比 三重验证才稳**

### 💡 改进建议

- **写更稳的 list.txt 路径处理**：用绝对路径，避免相对路径的坑
- **TTS 之前先做 TTS 配额检查**：matrix 的 TTS 有并发限制（单次最多 10 个），需要先规划
- **批量任务分批跑 + 后台执行**：单次跑 75 张太重，应该用 cron 或 background 任务

---

## 十、完整代码

项目分这几个文件：

- `/tmp/cards_data.py` —— 75 张卡片的所有数据（标题、对话、图片路径）
- `/tmp/burn_subtitle.py` —— PIL 烧字幕脚本
- `/tmp/build_all_videos.py` —— 单张卡片的完整流程（PIL + 音频 + 视频）
- `/tmp/fix_concat.py` —— 修复 pts 错误的脚本
- `/tmp/make_pdf.py` —— ReportLab 排版脚本

完整代码和示例数据可在 GitHub 找到：[TODO 补仓库链接]

---

## 十一、最终效果

<视频示例 1：Wake up, honey>

字幕会跟着对话切换，孩子可以看着字幕跟读 👀

---

## 十二、写在最后

这套工具链最大的价值不是技术多炫，而是**把 76 个完整、有教育价值的内容，用 1.5 小时搞定了**。如果手工做（找画师画图、找配音、剪辑视频），至少要 1-2 周。

AI 工具链真正的杠杆：**把原本"贵"的内容变得"便宜"，让个人也能做出原本需要团队/资金才能做的产品**。

希望这篇复盘能帮到也想做儿童教育内容的同学。有问题欢迎评论区交流～

---

话说回来，minimax的订阅真的是够用呀。而且现在还有折扣，点击这篇稿子即可收获哦。