Text-to-Video

一个使用 FastAPI 构建的文本转视频服务，支持通过文字生成语音、图像并最终合成视频。

📁 项目目录结构

app/
├── api/              # API 路由
│   ├── video.py      # 视频生成接口
│   └── voice.py      # 语音获取接口
├── schemas/          # 请求/响应数据模型
│   ├── video.py
│   └── voice.py
└── services/         # 核心业务逻辑
    ├── video.py      # 视频生成逻辑
    └── voice.py      # 语音生成逻辑

⚙️ 技术栈

• FastAPI：用于构建 RESTful API
• Edge TTS：用于文本转语音
• Pollinations AI：用于文本生成图片
• MoviePy：用于处理视频与字幕合成
• Pydantic：用于数据校验
• Loguru：用于日志记录

🧩 功能概述

获取语音列表

GET /api/voice/voices

返回 Edge-TTS 支持的所有语音种类。

文本生成视频

POST /api/video/generate

请求体参数如下：

字段名	类型	默认值	描述
text	str	自动填充示例文本	需要转换的文本
task_id	str	自动生成	任务 ID
voice_name	str	"zh-CN-XiaoxiaoNeural"	使用的语音名称
voice_rate	float	1.0	语速
resolution	str	"1920*1080"	视频分辨率

输出结果包含：

• video_path: 合成后的视频文件路径。
• duration: 视频总时长。

🔧 安装与运行

确保已安装 Python 3.12 及以上版本，并执行：

uv venv
uv pip install -e .

访问 http://localhost:8000/docs 查看交互式 API 文档。

📝 使用说明

1. 获取可用语音列表：

   curl http://localhost:8000/api/voice/voices

2. 生成视频：

   curl -X POST http://localhost:8000/api/video/generate \
        -H "Content-Type: application/json" \
        -d '{
            "text": "春天来了，万物复苏。",
            "voice_name": "zh-CN-YunxiNeural",
            "voice_rate": 1.2,
            "resolution": "1280*720"
        }'

🖼️ 预览视图

输出结果

• 自动生成图像（基于 Pollinations AI）
• 使用 Edge TTS 生成语音并同步字幕
• 合成最终视频，包含：
  • 背景图片平移动画
  • 字幕自动换行与排版
  • 视频时长自适应音频长度

示例截图

示例视频

🤝 贡献指南

欢迎提交 Pull Request 和 Issue！请遵循 PEP8 编码规范，保持模块化设计风格。

📄 许可证

MIT License

---