PPT Audio To Video 是一款专为教育、培训或演示场景设计的自动化工具，能够将旁白音频与幻灯片素材无缝结合，生成带有语音解说的视频文件。该工具特别适合那些拥有高质量录音但缺乏现成视频资源的用户，例如仅保存了演讲音频和 PPT 文件的情况。通过智能识别音频内容并匹配对应的幻灯片画面，它可将静态的讲稿转化为动态的视频课件，极大提升内容传播效率。整个流程高度自动化，从音频提取、语音识别到最终视频合成均由内置脚本完成，确保输出结果专业且一致。 该工具的核心优势在于其灵活的输入兼容性和精准的时间轴对齐能力。支持多种常见音频格式（如 MP4、M4A、MP3、WAV）以及主流幻灯片格式（PPTX、PDF），并能自动处理缺失的视觉素材——当 PDF 或图片序列不存在时，可调用 Keynote 或 PowerPoint 进行导出。借助 Whisper.cpp 实现的多语言语音识别功能，它能准确转录中文或其他语言的旁白内容，并结合幻灯片文本结构生成精确到秒的播放时间表。最终输出的视频不仅音画同步良好，还支持后续手动微调，满足高质量制作需求。 整个工作流程设计严谨，分为九个关键步骤：首先清点输入资源，确认可用的音频与幻灯片文件；随后准备必要的命令行工具（如 ffmpeg、pdftoppm、whisper-cli）；接着将 PDF 或 PPTX 渲染为有序的图片序列；再通过专用脚本提取每页幻灯片的标题与关键词；然后对音频进行降噪与格式标准化处理；之后利用 whisper-cli 完成语音转文字任务；再根据转录结果与幻灯片大纲共同构建时间轴 CSV 文件；最后调用 render_from_timing_csv.py 脚本生成最终的 MP4 视频。整个过程强调可复现性与可控性，所有中间数据均保留供用户审查与迭代。
核心功能特点
- 支持多种音频格式（MP4/M4A/MP3/WAV）与幻灯片格式（PPTX/PDF）输入
- 自动将 PDF 或 PPTX 渲染为高分辨率 PNG 幻灯片图片序列
- 集成 Whisper.cpp 实现高精度多语言语音识别（含中文）
- 基于转录文本与幻灯片内容自动生成精确到秒的视频时间轴
- 使用 FFmpeg 合成最终 MP4 视频，确保音画同步与编码质量
- 提供可编辑的时间轴 CSV 文件，便于人工调整特定段落时长
适用场景
该工具最适用于需要将已有讲座录音与幻灯片资料快速整合为教学视频的场景。例如，高校教师在录制完线下课程后只保留了音频文件和原始 PPT，希望将其转化为可在网上平台发布的微课视频，此时 PPT Audio To Video 能自动匹配每一页讲稿与对应讲解时段，大幅节省后期剪辑时间。同样，企业培训师在开展远程培训时若仅有录音和演示文稿，也可借助此工具批量生成标准化的培训视频，统一知识传递口径。 对于内容创作者而言，无论是播客主希望将图文讲稿转为视频节目，还是自媒体人想将读书笔记或产品解析做成可视化内容，该工具都能通过精准的语音识别与幻灯片定位，实现‘一键出片’。尤其适合那些不具备专业视频制作技能但拥有丰富口头表达内容的个体，让优质内容突破形式限制，触达更广泛受众。此外，科研团队在整理学术报告、会议演讲或答辩材料时，也能使用此工具将非结构化音频资料系统化，形成可追溯的知识资产。 值得一提的是，该方案特别考虑了实际使用中的容错机制。即使部分幻灯片无法直接导出图片，系统也会优先尝试通过办公软件（如 Keynote）完成转换，避免因渲染失败导致全流程中断。同时，生成的中间文件（如 transcript.csv、slide_timings.csv）允许用户随时回溯检查，必要时可局部修改时间节点并重新渲染，兼顾自动化效率与人工干预灵活性。这种‘半自动化+可调试’的设计理念，使其既适合技术小白快速上手，也满足专业人士精细控制的需求。