ChatGPT + Stable Diffusion + 百度AI + MoviePy 实现文字生成视频，小说转视频，自媒体神器！(二)

ChatGPT + Stable Diffusion + 百度AI + MoviePy 实现文字生成视频，小说转视频，自媒体神器！(二)
前言

最近大模型频出，但是对于我们普通人来说，如何使用这些AI工具来辅助我们的工作呢，或者参与进入我们的生活，就着现在比较热门的几个AI，写个一个提高生产力工具，现在在逻辑上已经走通了，后面会针对web页面、后台进行优化。

github链接

B站教程视频 https://www.bilibili.com/video/BV18M4y1H7XN/

第三步、调用百度语音合成包进行语音合成

这里不是智能用百度的API合成，想谷歌的，阿里云的都可以，只是我比较熟悉百度的API ps~: 关键是免费?

class Main: client_id = client_id client_secret = client_secret def create_access_token(self): url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={self.client_id}&client_secret={self.client_secret}" payload = "" headers = { 'Content-Type': 'application/json', 'Accept': 'application/json' } response = requests.request("POST", url, headers=headers, data=payload) print("-----------向百度获取 access_token API 发起请求了-----------") access_token = response.json() access_token.update({"time": datetime.now().strftime("%Y-%m-%d")}) with open('access_token.json', 'w') as f: json.dump(access_token, f) return access_token def get_access_token(self): if os.path.exists('access_token.json'): with open('access_token.json', 'r') as f: data = json.load(f) time = data.get("time") if time and (datetime.now() - datetime.strptime(time, '%Y-%m-%d')).days >= 29: return self.create_access_token() return data return self.create_access_token() def text_to_audio(self, text: str, index: int): url = "https://tsn.baidu.com/text2audio" text = text.encode('utf8') FORMATS = {3: "mp3", 4: "pcm", 5: "pcm", 6: "wav"} FORMAT = FORMATS[6] data = { # 合成的文本，文本长度必须小于1024GBK字节。建议每次请求文本不超过120字节，约为60个汉字或者字母数字。 "tex": text, # access_token "tok": self.get_access_token().get("access_token"), # 用户唯一标识，用来计算UV值。建议填写能区分用户的机器 MAC 地址或 IMEI 码，长度为60字符以内 "cuid": hex(uuid.getnode()), # 客户端类型选择，web端填写固定值1 "ctp": "1", # 固定值zh。语言选择,目前只有中英文混合模式，填写固定值zh "lan": "zh", # 语速，取值0-15，默认为5中语速 "spd": 5, # 音调，取值0-15，默认为5中语调 "pit": 5, # 音量，基础音库取值0-9，精品音库取值0-15，默认为5中音量（取值为0时为音量最小值，并非为无声） "vol": 5, # (基础音库) 度小宇=1，度小美=0，度逍遥（基础）=3，度丫丫=4 # (精品音库) 度逍遥（精品）=5003，度小鹿=5118，度博文=106，度小童=110，度小萌=111，度米朵=103，度小娇=5 "per": 5003, # 3为mp3格式(默认)； 4为pcm-16k；5为pcm-8k；6为wav（内容同pcm-16k）; 注意aue=4或者6是语音识别要求的格式，但是音频内容不是语音识别要求的自然人发音，所以识别效果会受影响。 "aue": FORMAT } data = urllib.parse.urlencode(data) response = requests.post(url, data) if response.status_code == 200: result_str = response.content save_file = str(index) + '.' + FORMAT audio = file_path + "audio" if not os.path.isdir(audio): os.mkdir(audio) audio_path = f'{audio}/' + save_file with open(audio_path, 'wb') as of: of.write(result_str) return audio_path else: return False 

当然了，这个设计也是热拔插的，以后这些数据都会做成动态的，在页面用户可以调整，也可以选择其他的API服务商

第四步、调用百度语音合成包进行语音合成

这里就比较麻烦了，首先要搭建起 Stable Diffusion 的环境，Window 用户我记得有一个 绘世
的软件，一键就可以安装，mac用户要去官网下载。

class Main: sd_url = sd_url def draw_picture(self, obj_list): """ :param obj_list: :return: 图片地址列表 """ picture_path_list = [] for index, obj in enumerate(obj_list): novel_dict = { "enable_hr": "false", "denoising_strength": 0, "firstphase_width": 0, "firstphase_height": 0, "hr_scale": 2, "hr_upscaler": "string", "hr_second_pass_steps": 0, "hr_resize_x": 0, "hr_resize_y": 0, "prompt": "{}".format(obj["prompt"]), "styles": [ "string" ], "seed": -1, "subseed": -1, "subseed_strength": 0, "seed_resize_from_h": -1, "seed_resize_from_w": -1, "sampler_name": "DPM++ SDE Karras", "batch_size": 1, "n_iter": 1, "steps": 50, "cfg_scale": 7, "width": 1024, "height": 768, "restore_faces": "false", "tiling": "false", "do_not_save_samples": "false", "do_not_save_grid": "false", "negative_prompt": obj["negative"], "eta": 0, "s_churn": 0, "s_tmax": 0, "s_tmin": 0, "s_noise": 1, "override_settings": {}, "override_settings_restore_afterwards": "true", "script_args": [], "sampler_index": "DPM++ SDE Karras", "script_name": "", "send_images": "true", "save_images": "true", "alwayson_scripts": {} } html = requests.post(self.sd_url, data=json.dumps(novel_dict)) img_response = json.loads(html.text) image_bytes = base64.b64decode(img_response['images'][0]) image = Image.open(io.BytesIO(image_bytes)) # 图片存放 new_path = file_path + 'picture' if not os.path.exists(new_path): os.makedirs(new_path) picture_name = str(obj['index']) + ".png" image_path = os.path.join(new_path, picture_name) image.save(image_path) picture_path_list.append(image_path) print(f"-----------生成第{index}张图片-----------") return picture_path_list 

后期我看看能不能引入 Midjuorney 的服务商，或者他们官方的API ps ~ 做人没有梦想和咸鱼有什么区别?

第五步、使用moviepy将图片和语音结合起来生成视频

moviepy中文文档

import os from moviepy.editor import ImageSequenceClip, AudioFileClip, concatenate_videoclips import numpy as np from config import file_path class Main: def merge_video(self, picture_path_list: list, audio_path_list: list, name: str): """ :param picture_path_list: 图片路径列表 :param audio_path_list: 音频路径列表 :return: """ clips = [] for index, value in enumerate(picture_path_list): audio_clip = AudioFileClip(audio_path_list[index]) img_clip = ImageSequenceClip([picture_path_list[index]], audio_clip.duration) img_clip = img_clip.set_position(('center', 'center')).fl(self.fl_up, apply_to=['mask']).set_duration( audio_clip.duration) clip = img_clip.set_audio(audio_clip) clips.append(clip) print(f"-----------生成第{index}段视频-----------") print(f"-----------开始合成视频-----------") final_clip = concatenate_videoclips(clips) new_parent = file_path + "video/" if not os.path.exists(new_parent): os.makedirs(new_parent) final_clip.write_videofile(new_parent + name + ".mp4", fps=24, audio_codec="aac") def fl_up(self, gf, t): # 获取原始图像帧 frame = gf(t) # 进行滚动效果，将图像向下滚动50像素 height, width = frame.shape[:2] scroll_y = int(t * 10) # 根据时间t计算滚动的像素数 new_frame = np.zeros_like(frame) # 控制滚动的范围，避免滚动超出图像的边界 if scroll_y < height: new_frame[:height - scroll_y, :] = frame[scroll_y:, :] return new_frame 

暂时就先写到这里了，后期努力添砖加瓦。 代码已经开源了。链接 有什么问题可以在github上或者博客介绍里来问我，byebye~?