基于 LangChain 的多 Agent 系统，实现自动化生成数学公式教学视频。
- 🎬 三步走流程：剧本生成 → TTS 文案转换 → Manim 代码生成
- 🎯 音频先行策略：先生成音频获取精确时长，确保音画完美同步
- 🎨 单 Scene 架构：避免状态丢失和闪烁，提升渲染性能
- ✅ LaTeX 验证：预校验公式语法，独立定义便于修正
- 🎞️ 平滑过渡：冻结帧填充，解决视频跳变问题
- 📦 批量处理：支持并发批量生成多个视频，提高效率
- 🛡️ 错误隔离：单个任务失败不影响其他任务，确保批量处理稳定性
- 🔧 智能 JSON 提取：支持从 Markdown 代码块中提取 JSON，提升 LLM 响应解析成功率
- 🎬 视频片尾工具：批量为视频添加片尾，自动调整尺寸匹配，支持自定义输出目录和文件前缀
- 安装依赖：
uv sync
# 或
pip install -e .- 配置环境变量：
cp .env.example .env
# 编辑 .env 文件，填入你的 OpenAI API Key# 简单输入
uv run main.py "勾股定理"
# 详细参数
uv run main.py "勾股定理的几何证明" -d 60 -s "3Blue1Brown"# 批量处理多个公式（使用命令行参数）
uv run main.py --batch "勾股定理" "圆的面积" "一元一次方程" --max-concurrent 3
# 从 JSON 文件批量处理
# 创建 tasks.json 文件：
# [
# {"formula": "勾股定理", "duration": 60, "style": "3Blue1Brown"},
# {"formula": "圆的面积", "duration": 60, "style": "3Blue1Brown"},
# {"formula": "一元一次方程", "duration": 60, "style": "3Blue1Brown"}
# ]
uv run main.py --json tasks.json --max-concurrent 3
# 批量处理参数说明
# --batch: 批量模式，传入多个公式（用空格分隔）
# --json: 从 JSON 文件读取批量任务
# --max-concurrent: 最大并发数，默认 3
# -d, --duration: 视频时长（秒），批量模式下作为默认值
# -s, --style: 讲解风格，批量模式下作为默认值为指定目录下的所有视频添加片尾：
# 基本用法：为 output/videos 目录下的所有视频添加片尾，输出到默认目录
uv run python -m tools.video_ending_appender ./output/videos ./path/to/ending.mp4
# 指定输出目录
uv run python -m tools.video_ending_appender ./output/videos ./path/to/ending.mp4 -o ./output/final_videos
# 自定义文件前缀
uv run python -m tools.video_ending_appender ./output/videos ./path/to/ending.mp4 -p "with_ending_"
# 组合使用：指定输出目录和文件前缀
uv run python -m tools.video_ending_appender ./output/videos ./path/to/ending.mp4 -o ./output/final_videos -p "final_"参数说明：
video_dir：包含视频文件的目录路径（必需）ending_path：片尾视频文件路径（必需）-o, --output：输出目录（可选，默认./output/videos）-p, --prefix：输出文件名前缀（可选，默认"final_"）
功能特点：
- 自动扫描目录中的所有视频文件（支持 .mp4, .avi, .mov, .mkv 等格式）
- 自动调整片尾视频尺寸以匹配主视频
- 生成新文件（保留原视频），使用前缀命名
- 单个文件失败不影响其他文件处理
- 显示详细的处理结果统计
import asyncio
from main import FormulaVideoGenerator
async def main():
generator = FormulaVideoGenerator()
result = await generator.generate(
formula="勾股定理的几何证明",
duration=60,
style="3Blue1Brown"
)
print(f"视频已生成: {result['video_path']}")
asyncio.run(main())from tools import VideoEndingAppender
# 创建工具实例
appender = VideoEndingAppender(output_dir="./output/videos")
# 为指定目录下的所有视频添加片尾
results = appender.add_ending_to_videos(
video_dir="./output/videos",
ending_path="./path/to/ending.mp4",
output_dir="./output/final_videos", # 可选，指定输出目录
prefix="final_" # 可选，自定义文件前缀
)
# 查看处理结果
for result in results:
if result["success"]:
print(f"成功: {result['output_path']}")
else:
print(f"失败: {result['error']}")- 剧本生成：根据输入的数学公式/主题，生成结构化的视听剧本
- TTS 文案转换：将剧本中的数学符号转换为中文口语
- 音频生成：使用 edge-tts 生成音频，获取精确时长（音频先行策略）
- Manim 代码生成：根据剧本和音频时长生成 Manim 代码
- 视频渲染：执行 Manim 代码生成视频（支持自动修复）
- 视频切割：根据时间标记切割视频片段
- 音画合并：合并视频和音频，生成最终视频
- 并发控制：使用信号量控制最大并发数，避免资源耗尽
- 错误隔离：每个任务独立运行，单个任务失败不影响其他任务
- 结果汇总：批量处理完成后自动汇总成功和失败的任务
- 任务隔离：每个任务使用独立的
task_id和临时目录，避免文件冲突
output/scripts/- 生成的剧本 JSONoutput/tts_texts/- TTS 文案文本output/manim_code/- 生成的 Manim 代码output/video_segments/- 切割的视频片段output/videos/- 最终视频文件audio/segments/- 音频片段media/videos/- Manim 生成的视频
在 .env 文件中可以配置：
OPENAI_API_KEY- OpenAI API 密钥（必需）OPENAI_MODEL- 使用的模型，默认gpt-4MANIM_QUALITY- Manim 渲染质量：low_quality,medium_quality,high_qualityTTS_VOICE- TTS 语音，默认zh-CN-XiaoxiaoNeural
- LangChain - Agent 框架
- OpenAI GPT-4 - 文本生成
- Manim Community - 数学动画
- edge-tts - 语音合成
- moviepy - 视频处理
- 确保已安装 Manim 并配置正确
- 需要有效的 OpenAI API Key
- 首次运行可能需要较长时间（Manim 渲染）
- 建议使用
medium_quality或low_quality进行测试 - 批量处理时，建议根据系统资源调整
--max-concurrent参数 - 单个任务失败不会中断批量处理，所有任务完成后会显示详细结果
- 每个任务都有独立的临时目录，避免文件冲突
- Manim 代码修复：如果生成的 Manim 代码执行失败，系统会自动尝试修复（最多 3 次）
- JSON 提取增强：支持从 Markdown 代码块中提取 JSON，提高 LLM 响应解析成功率
- 错误隔离：批量处理时，单个任务的错误不会影响其他任务
- Manim 执行失败：系统会自动尝试修复，如果修复失败会在日志中显示详细错误信息
- JSON 解析失败：系统会尝试多种方法提取 JSON，包括处理 Markdown 代码块格式
- 批量处理部分失败：所有任务完成后会显示成功和失败的统计信息
MIT License