python脚本实现短剧配音

1 功能描述

输入：小说文本（txt格式），通过python库函数生成音频文件（MP3格式），配音可通过在文本中加入指定提示词切换不同音源。

2 实现方式

有两种实现方式：
（1）tts库：可以离线生成，可调整生成音频的语速，但生成的音频机械感重，通常情况下仅有一种windows系统自带的声音引擎SAPI5，可以自行安装其他语音包来切换音源；
（2）edge-tts库：本质是调用edge浏览器的的音源完成配音，所以需要安装edge浏览器并联网，生成的音频富有感情。

3 功能实现

3.1 tts库生成

（1）安装支持包

pip install pyttsx3

（2）创建示例文稿testfile.txt

这是一段示例文稿，文稿内容可以自定义。

（3）创建生成脚本pydemo-tts.py
脚本文件要与示例文稿testfile.txt在同一路径下，运行脚本生成的音频也会保存到当前路径下。

点击查看代码

import pyttsx3

INPUT_FILE = "testfile.txt"
TEMPOUTPUT_DIR = "outputAudios"
OUTPUT_FILE = "generatefile.mp3"        #可以生成mp3格式或wav格式

with open(INPUT_FILE, "r", encoding="utf-8") as f:
    text = f.read()

engine = pyttsx3.init()
# engine.say(text)     #可以在生成时播放生成的语音
# rate：设置语速
# volume：设置音量
# voice：设置声音引擎
engine.setProperty('rate', 180)   # 语速
engine.setProperty('volume', 0.9) # 音量
engine.save_to_file(text,OUTPUT_FILE)
engine.runAndWait()
print("音频文件已生成！")

（4）运行效果

3.2 edge-tts库生成

3.2.1 环境配置

（1）若未安装Microsoft edge浏览器则需要先安装浏览器。
（2）安装支持包：
① 直接使用pip自动安装edge-tts包：

pip install edge-tts

② 我的程序脚本中，会根据提示词切换不同音源，生成多个音频，还需要安装ffmpeg将多个音频合成一个，ffmpeg包的的zip下载地址：https://www.gyan.dev/ffmpeg/builds/ffmpeg-release-essentials.zip
下载后解压，我的解压路径如下：

③ 将...\pack\ffmpeg-8.0.1-essentials_build\bin路径添加到环境变量PATH中：

在CMD中输入ffmpeg -version可以验证是否配置成功，成功可正确输出版本号：

④ 安装pydub

pip install pydub

3.2.2 生成脚本

（1）创建示例文稿testfile.txt

【旁白】这是一段示例文稿，文稿内容可以自定义。
【男一】这是男一的声音。
【女一】这是女一的声音。
【男二】这是男二的声音。
【女二】这是女二的声音。

（2）创建生成脚本dubscript.py

点击查看代码

from pydub import AudioSegment
import asyncio
import edge_tts
import re
import os
from pydub import AudioSegment  # 导入音频处理库
import imageio_ffmpeg

# --- 配置区域 ---
VOICE_PROFILES = {
    "女一": {"voice": "zh-CN-XiaoyiNeural"},      # 晓伊，声音稍显成熟知性
    "女二": {"voice": "zh-CN-XiaoxiaoNeural"},  # 晓晓，最常用，声音标准、温柔，适合大多数场景
    # "女三": {"voice": "zh-CN-XiaohanNeural"},  # 晓涵，比较甜美、活泼
    "男一": {"voice": "zh-CN-YunxiNeural"},       # 云希，声音比较稳重，适合纪录片或男声旁白
    "男二": {"voice": "zh-CN-YunyangNeural"},     # 云扬，听起来像新闻主播，比较正式
    "男三": {"voice": "zh-CN-YunjianNeural"},     # 云健，沉稳，适合讲故事
    "旁白": {"voice": "zh-CN-YunxiNeural"}        # 云希，声音比较稳重，适合纪录片或男声旁白
}

INPUT_FILE = "testfile.txt"
TEMPOUTPUT_DIR = "outputAudios"
OUTPUT_FILE = "generatefile.mp3"
os.makedirs(TEMPOUTPUT_DIR, exist_ok=True)
# 用于存储生成的音频文件路径
generated_files = []

# 异步函数：调用edge_tts库接口函数文本转语音
# text：输入文本字符串
# voice：选择声音音源
# output_file：生成的输出音频文件
async def text_to_speech(text, voice, output_file):
    communicate = edge_tts.Communicate(text, voice)
    await communicate.save(output_file)
    return output_file

# 函数：调用ffmpeg库函数将多个音频合成一个
# file_list：音频列表
# output_path：合成视频输出路径
def merge_audio_files_ffmpeg(file_list, output_path):
    print("正在使用 FFmpeg 合并音频...")
    # 1. 创建一个临时文件列表 txt，告诉 ffmpeg 要合并哪些文件
    # 注意：Windows 路径中如果有空格或特殊字符，需要用单引号括起来
    with open("temp_list.txt", "w", encoding="utf-8") as f:
        for file in file_list:
            # 写入格式：file 'C:/path/to/audio.mp3'
            f.write(f"file '{os.path.abspath(file)}'\n")
    # 2. 构建 FFmpeg 命令
    # -f concat: 告诉 ffmpeg 使用拼接模式
    # -safe 0: 允许使用绝对路径
    # -c copy: 直接复制流，不重新编码（速度快，无损质量）
    cmd = f'ffmpeg -f concat -safe 0 -i temp_list.txt -c copy "{output_path}"'
    # 3. 执行命令
    print(f"执行命令: {cmd}")
    os.system(cmd)
    # 4. 清理临时文件
    if os.path.exists("temp_list.txt"):
        os.remove("temp_list.txt")
    print(f"合并完成！最终音频: {output_path}")

# 异步函数：调用text_to_speech将INPUT_FILE文本转换为音频存储到TEMPOUTPUT_DIR路径下
async def process_novel_script():
    global generated_files
    with open(INPUT_FILE, "r", encoding="utf-8") as f:
        text = f.read()
    # 正则表达式：用于识别音源提示
    pattern = r'【([^】]+)】([^【]+)'
    matches = re.findall(pattern, text)

    tasks = []
    for i, (character, dialogue) in enumerate(matches):
        clean_dialogue = dialogue.strip()
        # 选择声音
        if character in VOICE_PROFILES:
            voice_name = VOICE_PROFILES[character]["voice"]
        else:
            voice_name = VOICE_PROFILES["旁白"]["voice"]  # 默认旁白

        output_file = os.path.join(TEMPOUTPUT_DIR, f"segment_{i:03d}.mp3")
        generated_files.append(output_file)  # 记录文件名，用于后续合并

        # print(f"[{character}] -> {clean_dialogue}")
        task = text_to_speech(clean_dialogue, voice_name, output_file)
        tasks.append(task)

    # 先生成所有音频片段
    await asyncio.gather(*tasks)
    print("所有音频片段生成完毕。")

if __name__ == "__main__":
    # 运行异步处理
    asyncio.run(process_novel_script())
    # 合并音频
    # 检查是否有生成的文件
    if generated_files:
        # 确保文件按顺序排列（因为文件名有000, 001编号）
        generated_files.sort()
        merge_audio_files_ffmpeg(generated_files, OUTPUT_FILE)
    else:
        print("未生成任何音频文件。")

（3）运行效果