WPF 制作一个从 PPT 文档自动生成演讲视频工具

2026年5月10日
| 没有评论

本文内容由人类主导 AI 辅助编写

平时做技术分享或者课程录制的时候，经常需要对着 PPT 录制讲解视频，每次重录都要花费大量时间。于是我做了这个小工具，只需要导入 PPT 文件，就能自动生成连贯的演讲视频，全程不需要人工干预，效果如下：

效果演示视频： http://cdn.lindexi.site/courseware_speech_20260507211402.mp4

软件运行界面：

实现原理

整个工具的核心逻辑分为三步：

  1. 多模态大模型处理：提取 PPT 每一页的文本内容和页面截图，同时传入整份 PPT 的上下文信息，让大模型生成每一页连贯的讲解脚本，保证前后内容衔接自然不重复。
  2. 语音合成：将大模型生成的每一页讲稿，调用语音合成服务转换为自然流畅的音频。
  3. 视频合成：使用 FFMpeg 将 PPT 页面截图和对应的音频按顺序拼接，最终生成完整的 MP4 视频文件。

快速开始

本文代码放在 github 和 gitee 上，可以使用如下命令行拉取代码。我整个代码仓库比较庞大，使用以下命令行可以进行部分拉取，拉取速度比较快

先创建一个空文件夹，接着使用命令行 cd 命令进入此空文件夹，在命令行里面输入以下代码，即可获取到本文的代码

git init
git remote add origin https://gitee.com/lindexi/lindexi_gd.git
git pull origin 7ff72da8af31ddf01ba28ada7ee9adeef4abcc13

以上使用的是国内的 gitee 的源，如果 gitee 不能访问，请替换为 github 的源。请在命令行继续输入以下代码，将 gitee 源换成 github 源进行拉取代码。如果依然拉取不到代码，可以发邮件向我要代码

git remote remove origin
git remote add origin https://github.com/lindexi/lindexi_gd.git
git pull origin 7ff72da8af31ddf01ba28ada7ee9adeef4abcc13

拉取代码之后，进入 WPFDemo/JawjeleceeYairlubelhearrene 文件夹，打开 sln 解决方案即可直接编译运行。运行前需要提前准备好以下信息：

  • 兼容 OpenAI API 格式的多模态大模型服务（比如豆包 ARK 平台的多模态模型），需要配置对应的 API Key、服务端点和模型 ID。
  • 火山引擎 OpenSpeech 语音合成服务的 API Key 和对应资源 ID，用于生成讲稿音频。
  • 本地准备好 FFMpeg 可执行文件，配置到工具的对应路径即可。

自己注册账号是有免费额度的，实在不想注册的话，再私聊找我借账号吧

代码实现细节

整个工具采用 MVVM 架构，核心逻辑封装在 CoursewareSpeechVideoGenerator 服务类中，下面拆分各个模块的实现细节。

PPT 内容提取

首先需要使用 OpenXML 解析 PPT 文件，提取每一页的文本内容，同时生成每一页的缩略图截图，封装到 CoursewareMaterialInfo 模型中，包含整个 PPT 的所有页面信息，代码如下：

public class CoursewareMaterialInfo
{
    /// <summary>
    /// PPT所有页面的材料信息
    /// </summary>
    public List<CoursewareSlideMaterialInfo> SlideMaterialInfoList { get; set; } = [];
}

public class CoursewareSlideMaterialInfo
{
    /// <summary>
    /// 当前页面的文本内容
    /// </summary>
    public string ContentText { get; set; } = string.Empty;
    /// <summary>
    /// 当前页面的截图文件路径
    /// </summary>
    public string SlideThumbnailFilePath { get; set; } = string.Empty;
}

这里使用 OpenXML 提取文本，然后使用 COM 方式调用本机的 Office 组件进行 PPT 页面截图。细节逻辑还请自行阅读代码

讲稿生成逻辑

讲稿生成是整个工具的核心，为了保证生成的讲稿上下文连贯，每次调用大模型的时候，不仅传入当前页的文本和截图，还会传入整份 PPT 的全部文本和前面已经生成的所有讲稿内容，让大模型能够理解上下文，避免重复讲解，代码如下：

var openAiClient = new OpenAIClient(new ApiKeyCredential(options.OpenAiApiKey), new OpenAIClientOptions
{
    Endpoint = options.OpenAiEndpoint,
    NetworkTimeout = TimeSpan.FromHours(1)
});
var chatClient = openAiClient.GetChatClient(options.OpenAiModel).AsIChatClient();

// 逐页生成讲稿
for (var i = 0; i < coursewareMaterialInfo.SlideMaterialInfoList.Count; i++)
{
    var slideMaterialInfo = coursewareMaterialInfo.SlideMaterialInfoList[i];
    var slideIndex = i + 1;
    
    var plainScriptText = await GenerateSlideScriptAsync(
        chatClient,
        allCoursewareText, // 整份PPT的全部文本
        slideIndex,
        slideMaterialInfo.ContentText, // 当前页文本
        previousScriptsBuilder.ToString(), // 前面已经生成的讲稿
        slideMaterialInfo.SlideThumbnailFilePath, // 当前页截图
        cancellationToken);
    
    slideInfoList.Add(new CoursewareSpeechSlideInfo(plainScriptText, slideMaterialInfo));
    previousScriptsBuilder.AppendLine(plainScriptText);
}

这里用了 Microsoft.Extensions.AI 抽象的 IChatClient 接口，所以只要是兼容 OpenAI API 格式的多模态模型都可以直接对接，不需要修改核心逻辑，比如对接豆包 ARK 服务的时候只需要替换对应的 Endpoint 和模型 ID 即可。为什么我这里没有选用 DeepSeek 呢？这是因为现在（2026年5月）的 DeppSeek 还没有多模态支持

具体的生成讲稿 GenerateSlideScriptAsync 逻辑核心就是拼接文本信息，以及将截图给到多模态的大模型，要求它输出讲稿内容。这部分涉及到了提示词炼丹，提示词内容比较长，我就不放在博客里面，大家可以拉取我的代码，了解细节内容

生成的讲稿内容示例如下：

[上下文: 语气亲切活泼，带有课堂互动感，符合小学语文教师授课风格]
现在我们正式进入第1课时的学习，首先开启的是“激发兴趣，导入新课”环节。[停顿: 0.8秒]
大家看页面中间的“儿歌欣赏”字样，旁边还有一个小喇叭的图标，我们先来听一首和今天学习主题相关的趣味儿歌哦。[停顿: 1秒]
听完儿歌老师要考考大家，这是一首关于什么的儿歌呀？没错，答案就是我们今天的主题腊八粥，你看页面上蓝色标注的答案，你答对了吗？[停顿: 1秒]
接下来老师再问大家第二个问题，腊八粥是哪个节日会吃的传统美食呢？[停顿: 1.2秒]
太棒了，大家都记得，就是腊八节，每年农历腊月初八腊八节这天，喝一碗热乎香甜的腊八粥，是很多地方流传已久的习俗哦。[停顿: 0.8秒]
不知道大家还记不记得之前学过的老舍先生的《北京的春节》？那篇课文里是怎样介绍腊八粥的呢？[停顿: 1秒]
对哦，在《北京的春节》的第1自然段里，老舍先生就专门介绍了腊八粥用到的丰富食材，写得特别让人嘴馋。[停顿: 0.8秒]
除了我们刚刚提到的这些内容，你对腊八粥还有更多的了解吗？大家可以先在心里想一想，接下来我们就一起走近作家沈从文，看看他笔下的腊八粥又有着怎样的动人故事。

以上这些 [] 包括起来的内容，将在下一步语音合成逻辑进行处理

语音合成逻辑

讲稿生成完成之后，调用火山引擎的 OpenSpeech 服务逐页生成音频，这里封装了统一的合成配置，可以自定义发音人、语速、语调等参数：

var authentication = OpenSpeechAuthentication.CreateWithApiKey(options.OpenSpeechApiKey, options.ResourceId);
var synthesisOptions = new CoursewareSpeechSynthesisOptions(authentication, options.Speaker);

// 逐页合成音频
foreach (var slideInfo in speechInfo.SlideInfoList)
{
    var audioFile = await OpenSpeechSynthesizer.SynthesizeAsync(
        slideInfo.ScriptText, 
        synthesisOptions, 
        cancellationToken);
    slideInfo.AudioFilePath = audioFile.FullName;
}

火山引擎的 OpenSpeech 提供了多种专业的发音人可选，生成的音频自然流畅，几乎听不出来是合成的语音。在合成语音的时候，需要先执行解析，提取出来脚本内容，比如上下文和停顿信息，这部分细节都在 CoursewareSpeechVideoGenerator.cs 文件里面，核心提取逻辑都是采用正则匹配，如果大家感兴趣，还请拉取代码了解细节

视频合成逻辑

最后一步就是使用 FFMpeg 将每一页的截图和对应的音频拼接成完整的视频，这里我封装了 FFmpegVideoComposer 类处理视频合成的逻辑，自动处理图片时长和音频的对齐：

await using var ffmpegVideoComposer = new FFmpegVideoComposer(
    options.FfmpegExecutableFile,
    workingDirectory: options.OutputDirectory,
    logHandler: (level, message) => progress?.Report($"[{level}] {message}"));

// 逐页添加视频片段
foreach (var slideInfo in speechInfo.SlideInfoList)
{
    ffmpegVideoComposer.AddImageClip(
        slideInfo.SlideMaterialInfo.SlideThumbnailFilePath,
        slideInfo.AudioFilePath);
}

// 合成最终视频
var outputVideoFile = new FileInfo(Path.Combine(options.OutputDirectory.FullName, $"courseware_speech_{DateTime.Now:yyyyMMddHHmmss}.mp4"));
await ffmpegVideoComposer.ComposeAsync(outputVideoFile, cancellationToken);

合成的视频默认保存在输出目录下，文件名带时间戳，中间生成的临时音频和图片文件会在合成完成后自动清理，不会占用额外磁盘空间。

详细的技术细节请参阅： dotnet 基于 FFmpeg 实现图片加多音频批量合成视频方法

注意事项

  1. 建议使用支持长上下文的多模态模型，如果 PPT 页数很多，短上下文模型可能会因为上下文溢出导致生成的讲稿不连贯。
  2. FFMpeg 建议使用较高版本，避免出现编码兼容问题。
  3. 可以根据自己的需求修改大模型的提示词，自定义讲稿的风格，比如更口语化、更正式、更活泼等。
  4. 工具已经实现了进度上报功能，生成过程中可以实时看到当前处理到第几页，剩余时间等信息。

提示词部分是我采用 HyperAgent 思想的实践 制作 PPT 文档内容分析提示词 的方式炼丹获取的，大家可以换成其他提示词

相关博客

dotnet Microsoft Agent Framework 配置调用工具后退出对话

Microsoft Agent Framework 与 DeepSeek 对接

Office 使用 OpenXML SDK 解析文档博客目录

更多技术博客，请参阅 博客导航

文章摘自：https://www.cnblogs.com/lindexi/p/19998656

.net, abp