把圖與聲音組成一支繪本影片：FFmpeg 實戰

圖有了、每一句話的語音也有了，最後一步是把它們組成一支可以播放的繪本影片。這篇的主角和前幾篇不一樣——它不是模型，是一個純工具：FFmpeg。但要用好它，得先理解「影片」到底是什麼。

技術前導：影片其實就是影格加音軌

影片聽起來很複雜，拆開來其實只有兩樣東西：一連串快速播放的圖片（影格），配上一條對齊的聲音（音軌）。

所謂「合成一支影片」，講白了就是三個決定：每張圖要顯示多久、聲音從哪裡開始、最後把畫面和聲音封裝成一個檔案。繪本影片尤其單純——一頁就一張圖，這張圖要停留的時間，剛好就是這頁語音的長度。想通這一點，後面的操作就都有了依據。

統概：合成流程怎麼拆

與其一次算出整支片，實務上會先把每一頁各自做成一小段「場景片」，再串起來。

這樣拆有兩個好處。一是好除錯：哪一頁圖聲不同步、語音出錯，直接看那一段就好，不用在一支長片裡大海撈針。二是可以只重做出錯的那一頁：改了第 8 頁的語音，只要重生第 8 頁的場景片，再重新串接，不必整支重算。對一本十幾頁、要反覆微調的繪本來說，這個差別很有感。

FFmpeg：這條流程裡唯一的純工具

前面的文字、圖、語音都靠模型，只有這一步是確定性的工具。FFmpeg 做的事可以歸成一句話：吃進輸入，照濾鏡鏈加工，再編碼封裝輸出。

FFmpeg 的指令一開始看起來像天書，但只要抓住三塊就讀得懂大半：-i 是輸入（圖片、音檔）、-filter_complex 是濾鏡鏈（實際的加工步驟）、-map 是對應（哪個畫面配哪條聲音）。把一張圖用 -loop 定格成影片、接上該頁的語音，就是一段場景片。

常見加工：語速、停頓、字幕

繪本影片實際會用到的濾鏡不多，但都很實用：

• 語速調整：atempo 可以在不改變音高的前提下加速或放慢語音。念太快或太慢，用它微調，聲音不會變得像卡通或低沉。
• 頁間停頓：apad 在每段語音後面補一小段靜音，翻頁之間才有喘息，不會一句接一句擠在一起。
• 字幕與縮放：把文字疊上畫面、把不同尺寸的圖統一縮放對齊，也都在濾鏡這一層完成。

這些加工都是「可預期」的——同樣的指令，結果永遠一樣。這也是為什麼把它放在流程最後：前面模型生成的東西有隨機性，到了 FFmpeg 這關，一切都變回精確可控。

為什麼值得自己搭這一段

你可能會問，直接用影片剪輯軟體不是更快嗎？對一支片是這樣，但繪本系統要的是自動化：故事一次十幾頁、之後還會一直出新書，靠人手動剪不可能規模化。把合成寫成一段 FFmpeg 流程，程式就能在生完圖和語音之後，自動把整支片組出來。理解了「影片＝影格＋音軌」和「先分段再串接」這兩件事，你就掌握了這條流程的全貌——從一句文字，到一支能播放的繪本影片，中間的每一步都不再是黑盒子。