简介：这份资源面向具备一定 C# 基础、希望把图文内容批量转化为短视频的开发者，聚焦「文案生成语音、语音驱动图片帧、再合成视频」的自动化流程。项目以 VS2013 工程形式组织，核心逻辑是读取数据文件首行文案，调用百度语音 API 生成配音文件，依据音频时长推算图片帧数并逐帧渲染，最后借助 ffmpeg 完成视频封装，适合做自媒体批量出片或教学演示。压缩包共 41 个文件，约 726KB，包含 10 个 cs 源码文件、3 个 jpg 示例图片、3 个 exe 可执行程序、3 个 dll 依赖库，以及 config、resx、csproj、sln 等工程配置与资源文件，源码、素材、依赖相对齐全。已有 510 人学习下载。读者可从中获得一套可直接编译运行的完整示例，理解语音时长与帧数映射、百度 API 调用及 ffmpeg 命令拼接的实现思路，并据此改造出符合自身需求的视频生成工具。
1. 一条文案到成片：C# 把配音、图片、视频串成流水线
手上有个内容批产的活儿：几十条文案，每条要配一段机器配音，再和几张图拼成一条能直接发的短视频。手工剪？一条两分钟，五十条就是两个下午，还容易把图配错文案。这个资源给的就是把这条链路用 C# 串起来的源码包——文案进，配音文件出，图片按节奏排好，最后调 ffmpeg 合成 mp4。它解决的不是“做个炫酷视频”，而是“把重复劳动压成一次调用”。适合谁：手里有 .NET 环境、要做批量短视频、又不想被剪辑软件绑住的开发者。下面按我拆包的顺序讲，先讲清链路怎么搭，再落到参数和翻车点。
2. 链路拆解：文案转配音、图片转帧、ffmpeg 合成三段怎么接
这条流水线本质是三段可独立验证的工序，任何一段没跑通，后面都是白搭。第一段文本转语音（TTS），产出 wav 或 mp3；第二段把图片按配音时长切成等长或按文案分句对齐的帧序列；第三段用 ffmpeg 把音频和图片序列合成视频。三段之间靠文件系统传递，不靠内存流，这是这类批处理项目最稳的做法——中间产物落盘，出问题能单独重跑某一段，不用整条链重来。
2.1 为什么用“落盘 + 命令行调 ffmpeg”而不是纯托管库
很多人第一反应是找个 C# 的 ffmpeg 封装库，直接在代码里调 API。我一般不建议在批处理场景这么干。原因有三：一是封装库版本和 ffmpeg 本体版本容易对不上，报错信息还被吞掉，排查时像开盲盒；二是合成参数（码率、帧率、像素格式）在命令行里改起来直观，改完立刻能复现；三是落盘后你可以拿同一条命令在终端手动跑一遍，确认是代码问题还是素材问题。常见做法是Process.Start起一个 ffmpeg 子进程，把 stderr 重定向出来记日志，退出码非 0 就判定失败。这个资源走的就是这条路，代码里能看到对StandardError的读取，这点很关键，ffmpeg 的报错全在 stderr 里，不读就等于把黑匣子扔了。
2.2 三段工序的输入输出契约
先把契约定死，后面写代码才不会乱。我按资源里的结构整理成一张表，你照着对：
| 工序 | 输入 | 输出 | 关键约束 |
|---|---|---|---|
| 文案转配音 | 单条文案字符串 | audio/xxx.mp3 | 采样率统一 44100，单声道省体积 |
| 图片排帧 | 图片目录 + 配音时长 | frames/xxx_%04d.png | 分辨率必须偶数，否则 libx264 报错 |
| ffmpeg 合成 | 帧序列 + 音频 | output/xxx.mp4 | 帧率与图片张数、时长要对齐 |
这张表看着简单，但每一行的“关键约束”都是踩出来的。比如分辨率偶数这条，1080 是偶数没问题，但你要是拿 1081 宽的图去合成，libx264 直接甩你一句width not divisible by 2，新手能卡半天。再比如帧率对齐，图片只有 5 张、配音 30 秒，你得决定是每张停 6 秒还是循环播放，这个决策在第二段就要定，不能留到 ffmpeg 那步再补。
2.3 用 C# 起 ffmpeg 子进程的最小骨架
资源里合成那段的核心就是下面这个结构，我抽出来给你看，参数说明写在注释里：
using System.Diagnostics; public static bool RunFfmpeg(string args, string logPath) { var psi = new ProcessStartInfo { FileName = "ffmpeg", // 依赖 PATH，或写绝对路径 Arguments = args, RedirectStandardError = true, // ffmpeg 日志全在 stderr RedirectStandardOutput = true, UseShellExecute = false, CreateNoWindow = true // 批处理不弹黑窗 }; using var proc = Process.Start(psi); string stderr = proc.StandardError.ReadToEnd(); // 必须读，否则缓冲区满会卡死 proc.WaitForExit(); File.WriteAllText(logPath, stderr); // 落日志，失败时翻这个 return proc.ExitCode == 0; }逻辑说明：RedirectStandardError必须开，ffmpeg 的进度和错误都走 stderr，不开你什么都看不到；ReadToEnd要在WaitForExit之前调，顺序反了在长任务上会死锁，这是血泪经验；退出码 0 才算成功，非 0 一律当失败处理，别信“看起来生成了文件”这种玄学判断。参数方面，FileName写ffmpeg依赖系统 PATH，部署到没配环境变量的机器上就会翻车，稳妥做法是配置项里存绝对路径。
3. 文案转配音：TTS 调用、音频格式与时长回读
配音这段是整个链路的“时间基准”，视频多长、每张图停多久，全看音频时长。所以这段不只是“生成个 mp3”，还要把时长读回来传给下一段。资源里用的是系统自带的语音合成接口，好处是不用联网、不用申请密钥，坏处是音色有限、语速调节粒度粗。对批产短视频来说够用，追求音色的另说。
3.1 合成调用与输出格式选择
C# 里调系统 TTS 的常见写法是System.Speech.Synthesis，同步合成到文件：
using System.Speech.Synthesis; public static void TextToWav(string text, string outPath, int rate = 0) { using var synth = new SpeechSynthesizer(); synth.Rate = rate; // -10 到 10，0 为常速 synth.Volume = 100; synth.SetOutputToWaveFile(outPath); // 先出 wav，别直接出 mp3 synth.Speak(text); synth.SetOutputToNull(); }逻辑说明：Rate是相对语速，负值变慢，做知识类口播一般调到 -2 到 -4，太快听众跟不上；SetOutputToWaveFile出的是 PCM wav，体积大但无损，后面交给 ffmpeg 转 aac 更干净。为什么不直接出 mp3？因为系统合成接口原生只出 wav，硬转 mp3 还得再引一个编码库，多一层依赖多一个坑。参数上，Volume保持 100，音量归一化留给 ffmpeg 的loudnorm滤镜去做，别在合成阶段调，调了不好回退。
3.2 时长回读：别用文件大小估算
音频时长必须精确读，不能拿“文件大小除以码率”估，wav 头有 44 字节偏移，估出来差几十毫秒，几十条累积下来图片就对不齐了。稳妥做法是用 ffprobe 读：
ffprobe -v error -show_entries format=duration \ -of default=noprint_wrappers=1:nokey=1 audio/001.wav输出就是一个秒数，比如12.345000。C# 里同样用Process起 ffprobe，把 stdout 读成 double。这个值往下传，第二段算每张图停留时长就靠它。注意-v error别省，不加的话 ffprobe 会往 stderr 打一堆元信息，解析容易串行。还有个小坑：某些 wav 的 duration 字段是估算值，精确到毫秒级够用，但如果你要逐帧对齐字幕，得用-show_frames逐帧读，那是另一个量级的事，这个资源没做到那步，批产短视频也不需要。
3.3 文案分句与停顿控制
一条文案几十上百字，一口气念下来没有停顿，听着累。资源里的处理是按标点切句，逐句合成再拼接，句间插固定静音。这个思路对，但实现上有个取舍：逐句合成再拼，音色衔接处会有轻微不连续；整段合成再靠 SSML 插停顿，衔接自然但系统接口对 SSML 支持有限。我一般选前者，因为可控。拼接用 ffmpeg 的 concat demuxer，或者干脆在合成阶段每句出一个 wav，最后用下面这条命令合并：
ffmpeg -f concat -safe 0 -i list.txt -c copy merged.wavlist.txt里每行file '001_1.wav'，句间静音就生成一个 300ms 的空白 wav 插进去。-c copy不重编码，快且无损，前提是所有 wav 采样率、声道数一致——这就是为什么 2.2 那张表里把 44100 单声道定死，不统一的话-c copy直接报错，只能退化成重编码。
4. 图片排帧与 ffmpeg 合成：分辨率、帧率、编码参数一次配对
这段是把静态图变成“能看的视频”。核心决策就两个：每张图停多久，以及用什么编码参数出片。前者由音频时长和图片张数决定，后者决定文件大小和兼容性。资源里给的是“等分停留 + 淡入淡出”的方案，简单但够用，下面把参数掰开。
4.1 图片预处理：尺寸归一与偶数约束
合成前所有图必须同尺寸，否则 ffmpeg 的-s会拉伸变形。预处理用 ffmpeg 的 scale 滤镜批量跑：
ffmpeg -i raw/001.jpg -vf "scale=1080:1920:force_original_aspect_ratio=decrease,pad=1080:1920:(ow-iw)/2:(oh-ih)/2" -y frames/001.png逻辑说明：force_original_aspect_ratio=decrease保证不裁切、等比缩到框内；pad补黑边居中，避免拉伸。1080x1920 是竖屏常用尺寸，两个数都是偶数，满足 libx264 要求。参数怎么改：横屏内容换成 1920x1080；要模糊背景填充就把pad的black换成boxblur叠加，但那是进阶玩法，批产先用黑边最稳。注意输出统一 png，jpg 反复转码会有块效应。
4.2 帧序列生成与帧率对齐
ffmpeg 吃图片序列靠%04d命名，帧率-framerate决定每张图占多少帧。假设配音 30 秒、5 张图，想让每张停 6 秒，帧率设 1/6 就行：
ffmpeg -framerate 1/6 -i frames/img_%04d.png -i audio/001.wav \ -c:v libx264 -pix_fmt yuv420p -r 30 \ -c:a aac -b:a 128k -shortest output/001.mp4逻辑说明：-framerate 1/6表示输入序列每 6 秒一帧，5 张正好 30 秒；-r 30是输出帧率，把稀疏输入补成 30fps 的常规视频，播放器兼容性好；-pix_fmt yuv420p是兼容性关键，不加的话某些播放器和平台不认；-shortest让视频在音频结束时收尾，防止图片比音频长导致尾部黑屏。参数怎么改：图片张数变了，1/6要重算成张数/总时长；想要每张图停留不等长，就不能用序列帧，得改用 concat 拼接每张图的独立片段，那是另一套写法。
4.3 淡入淡出与转场的最小实现
硬切太生硬，加个淡入淡出观感立刻不一样。用fade滤镜，在每张图的首尾各淡 0.5 秒：
ffmpeg -framerate 1/6 -i frames/img_%04d.png -i audio/001.wav \ -vf "fade=t=in:st=0:d=0.5,fade=t=out:st=5.5:d=0.5" \ -c:v libx264 -pix_fmt yuv420p -r 30 -c:a aac -b:a 128k -shortest output/001.mp4注意这里的st是相对整条视频的时间轴，不是相对单张图。上面这条只对第一张图的首尾生效，多图要逐段处理再拼，或者用xfade做段间转场。资源里对多图转场的处理比较简，基本是硬切为主，我建议批产场景别上复杂转场——转场越多，编码越慢，出错点越多，观众其实不在意那 0.3 秒的溶解。
5. 避坑清单：五个让批处理半夜翻车的细节
这条链路我照着跑过一遍，也帮人排查过几次，问题高度集中在这五处。每条按“现象 → 原因 → 解决”写，你对照自己的日志看。
现象一：合成到一半进程卡死，CPU 占用为 0。原因：RedirectStandardError开了但没读，ffmpeg 往 stderr 写日志把管道缓冲区写满，子进程阻塞等父进程读，父进程在WaitForExit等子进程退出，互相等，死锁。解决：先ReadToEnd再WaitForExit，或者用异步事件OutputDataReceived持续消费。这个坑在长视频上必现，短视频偶尔侥幸不触发，别赌。
现象二：生成的 mp4 在本地能播，上传平台后黑屏或只有声音。原因：像素格式不是yuv420p，或者用了平台不支持的编码 profile。解决：命令里强制-pix_fmt yuv420p，编码器用libx264加-profile:v main，别用high去赌兼容性。另外音频采样率统一 44100 或 48000，别出现 22050 这种。
现象三：图片和配音对不齐，越到后面偏得越多。原因：音频时长用文件大小估算，或者每张图停留时长用整数秒截断，误差累积。解决：用 ffprobe 读精确时长，停留时长用 double 算，最后一张图用-shortest兜底，别手动算总帧数。
现象四：中文文案合成出来是乱码或直接静音。原因：系统 TTS 没装对应中文语音包，或者传入的文本编码不对。解决：先单独跑一句中文测试合成，确认语音包存在；C# 里字符串是 UTF-16，传给合成接口没问题，但如果文案是从文件读的，读文件时显式指定Encoding.UTF8，别用默认编码。
现象五：批量跑几十条后磁盘爆满。原因：中间产物（wav、png 帧序列）没清理，一条视频的帧序列可能几百 MB。解决：每条处理完删掉frames/和临时 wav，只留最终 mp4 和日志；或者用-y覆盖写但定期清目录。我一般会在任务开始时检查剩余空间，低于阈值直接中止并告警，比跑到一半失败强。
6. 进阶：把单条脚本改成可重入的批处理队列
单条能跑通只是及格线，真正省时间的是“丢一个文案目录进去，出来一整个输出目录，中间挂了能续跑”。这里的关键不是多线程，而是可重入——每条任务有唯一 id，产物按 id 落盘，重跑时先检查产物是否存在，存在就跳过。下面这个结构我一般会加在资源的基础上：
public static void ProcessBatch(string taskDir, string outDir) { foreach (var txt in Directory.GetFiles(taskDir, "*.txt")) { string id = Path.GetFileNameWithoutExtension(txt); string finalMp4 = Path.Combine(outDir, id + ".mp4"); if (File.Exists(finalMp4)) continue; // 已完成的跳过，支持断点续跑 try { string wav = TextToWavAndGetPath(txt, id); // 第一段 double dur = ProbeDuration(wav); // 时长回读 string frames = BuildFrames(id, dur); // 第二段 bool ok = RunFfmpeg(BuildArgs(frames, wav, finalMp4), $"log/{id}.log"); if (!ok) throw new Exception($"ffmpeg failed: {id}"); } catch (Exception ex) { File.AppendAllText("failed.txt", $"{id}\t{ex.Message}\n"); // 失败记账，不中断整批 } finally { Cleanup(id); // 清中间产物 } } }逻辑说明：File.Exists(finalMp4)是幂等开关，重跑不会重复劳动；try/catch包住单条，一条失败不影响后面几十条，失败记到failed.txt里事后补跑；finally里清理，防止磁盘被中间文件吃满。参数上，taskDir和outDir分开，产物和源料不混；日志按 id 命名，排查时直接定位。并发这块我建议先别上Parallel.ForEach，ffmpeg 本身吃满多核，再并发只会互相抢资源，串行反而稳，真要提速就开两三个进程封顶。
最后说个习惯：我每次改完合成参数，都会先拿一条 10 秒的短素材跑全链路，确认产物能播、音画对齐、平台兼容，再放批量。这条“短样验证”帮我省过好几次整批返工。希望帮到你。
本文还有配套的精品资源，点击获取
配置与实战应用)
