用AI自动做解说视频｜克隆自己的声音配音，字幕一键进剪映

本期资料

• 本站直接下载工具包 ZIP（固定版本 d30a4df，含示例文稿和图片）
• 网盘备份（OneDrive，打不开 GitHub 时用）：E025_AI解说视频工具 ↗
• 开源仓库（MIT）：https://github.com/xichugeek/xichu-ai-narrator
• 本期固定版本：tree/d30a4df ↗ · GitHub 源码 ZIP ↗
• 前置教程（先装好 Qwen3-TTS）：免费AI配音！本地克隆自己的声音，做视频不用再录音｜Qwen3 TTS

复制全部命令和配置（Markdown）

# xichu-ai-narrator 全部命令（西楚极客 E025）

工具固定版本 d30a4df：https://github.com/xichugeek/xichu-ai-narrator/tree/d30a4dfaefd86c1458e7eca1815d0126c7a2764d
官网下载与说明：https://xichugeek.com/?name=episode-025-ai-narrator

## 1. 安装（在上期装好 Qwen3-TTS 的 Python 环境里，进入工具目录）

pip install -r requirements.txt

想双击运行：把那个环境 python.exe 的完整路径写进工具目录的 python_path.txt，之后双击 install.bat / run.bat。

## 2. 配置 config.json（只改这几项）

{
  "ref_audio": "my_voice.wav",
  "ref_text_file": "my_voice.txt",
  "model_dir": "（Qwen3-TTS-12Hz-0.6B-Base 模型文件夹）",
  "draft_folder": "（剪映 → 全局设置 → 草稿位置，反斜杠改成 /）",
  "device": "cuda:0"
}

- ref_audio：你自己的参考录音（十几秒、安静、无背景音乐）
- ref_text_file：参考录音的逐字稿，必须一字不差
- model_dir：Qwen3-TTS-12Hz-0.6B-Base 模型文件夹
- draft_folder：剪映专业版 → 全局设置 → 草稿位置，复制过来，反斜杠改成 /
- device：有 N 卡写 cuda:0，没有写 cpu（很慢）

## 3. 写文稿 script.txt（一行一句，图片和 script.txt 放同一个文件夹）

# 井号开头是注释，空行会被忽略
[01.png] 第一句解说词，从这一句开始显示 01.png
第二句，没写图片名就沿用上一张
[02.png] 2026 年｜二零二六年

- 行首 [图片名]：从这一句开始换图；没写就沿用上一张
- 字幕｜读法：竖线左边是字幕显示的文字，右边是让它怎么读

## 4. 运行（先关掉剪映）

python narrate.py examples\demo

或双击 run.bat；把自己的项目文件夹拖到 run.bat 上可以跑自己的文稿。
输出：项目 output\ 里的 narration.wav、subtitles.srt，以及剪映草稿文件夹里的新草稿（项目名 + 时间）。
改了某一句再运行，只重新生成改过的那句。

## 5. 自检测试（可选，不调用模型）

python -m unittest discover -s tests

原理：逐句配音，字幕天然对齐

1. 文稿一行一句，程序按行调用本地 Qwen3-TTS（Base 0.6B），用你自己的声音逐句生成配音。
2. 每句的起止时间程序都知道，字幕直接按时长生成，不需要语音识别。
3. 用开源库 pyJianYingDraft 把图片、配音、字幕排成三条轨道，写成剪映草稿。

全程在你自己的电脑上运行：不上传声音，不需要额外付费的模型接口。工具只生成草稿，不自动导出成片，导出前在剪映里检查读音、字幕和换图。

准备

1. Windows 电脑，建议 N 卡。我实测：RTX 3060 笔记本 6GB 显存、Python 3.12。
2. 剪映专业版（我实测 11.7.0；其他版本需自行检查兼容性）。
3. 按上期教程装好 Qwen3-TTS 的 Python 环境，并下载 Qwen3-TTS-12Hz-0.6B-Base 模型。
4. 一段你自己的录音 my_voice.wav（十几秒、安静、无背景音乐），和它一字不差的逐字稿 my_voice.txt。

只克隆你自己的声音，或已获得本人同意的声音。参考录音和逐字稿不要上传到公开仓库。

安装和配置

第一步：下载解压

从上面“本期资料”下载工具包，解压到不含中文和空格的目录，例如 D:\AI\xichu-ai-narrator。

第二步：装剪映草稿库

打开上期装好 Qwen3-TTS 的那个环境，进入工具目录，运行：

复制安装命令

pip install -r requirements.txt

pip install -r requirements.txt

想双击运行：把那个环境 python.exe 的完整路径写进工具目录的 python_path.txt，之后双击 install.bat / run.bat 即可。

第三步：填 config.json

复制配置示例

{
  "ref_audio": "my_voice.wav",
  "ref_text_file": "my_voice.txt",
  "model_dir": "（Qwen3-TTS-12Hz-0.6B-Base 模型文件夹）",
  "draft_folder": "（剪映 → 全局设置 → 草稿位置，反斜杠改成 /）",
  "device": "cuda:0"
}

{
  "ref_audio": "my_voice.wav",
  "ref_text_file": "my_voice.txt",
  "model_dir": "（Qwen3-TTS-12Hz-0.6B-Base 模型文件夹）",
  "draft_folder": "（剪映 → 全局设置 → 草稿位置，反斜杠改成 /）",
  "device": "cuda:0"
}

写文稿 script.txt

在项目文件夹里放一个 script.txt，一行一句；图片和它放在同一个文件夹。

复制文稿写法示例

# 井号开头是注释，空行会被忽略
[01.png] 第一句解说词，从这一句开始显示 01.png
第二句，没写图片名就沿用上一张
[02.png] 2026 年｜二零二六年

# 井号开头是注释，空行会被忽略
[01.png] 第一句解说词，从这一句开始显示 01.png
第二句，没写图片名就沿用上一张
[02.png] 2026 年｜二零二六年

• 行首 [图片名]：从这一句开始换图；没写就沿用上一张。
• 字幕｜读法：竖线左边是字幕显示的文字，右边是让它怎么读。数字、英文、多音字读错时用。

运行，然后在剪映里打开

先关掉剪映，再运行（先用自带示例跑通一次）：

复制运行命令

python narrate.py examples\demo

python narrate.py examples\demo

或者双击 run.bat；把自己的项目文件夹拖到 run.bat 上就跑自己的文稿。窗口里能看到逐句进度，我五十多秒的解说大约两分钟生成完。

• 项目的 output\ 里会有 narration.wav 和 subtitles.srt。
• 剪映草稿列表里多一个新草稿（项目名 + 时间），点开就是图片轨、配音轨、字幕轨。
• 某一句不满意，改那一行再运行一次：只重新生成改过的那句。视频里实测改一行后新生成 1 句，其余 7 句跳过。

自检测试（可选，不调用模型）：

复制测试命令

python -m unittest discover -s tests

python -m unittest discover -s tests

常见坑

下载工具包、命令和完整文稿

• 下载工具包 ZIP（xichu-ai-narrator，d30a4df）
• 下载全部命令和配置 Markdown
• 下载全部命令和配置 TXT
• 下载完整视频文稿 Markdown
• 下载完整视频文稿 TXT
• 网盘备份：OneDrive · E025_AI解说视频工具 ↗（含同一个 ZIP、SHA256 和说明）
• GitHub：固定版本 d30a4df ↗ · GitHub 源码 ZIP ↗

工具包大小：998,288字节。SHA256：53d0bf962f938d4f8d688e091107d85843bf3f49f0994b00121374f39943c63f。本站与网盘是同一个文件；GitHub 源码 ZIP 由 GitHub 打包，内容相同但校验值不同。

依赖：Qwen3-TTS ↗（Apache-2.0）、pyJianYingDraft ↗（Apache-2.0），请遵守各自许可。

视频章节

• 00:00 先看成果：文稿、配音、字幕一起进剪映
• 00:32 原理：逐句配音与字幕对齐
• 01:20 准备环境和自己的声音
• 02:01 下载、安装与填写配置
• 02:41 写文稿并运行生成
• 03:27 打开剪映，检查时间线和字幕
• 04:07 常见坑与只重生成一句
• 04:49 源码、练习路线与结尾

视频文稿

以下为本期公开口播原文。

复制完整文稿（Markdown）

# 视频文稿：用AI自动做解说视频｜克隆自己的声音配音，字幕一键进剪映

视频：https://www.youtube.com/watch?v=YoZCrsd2gYc
官网文章：https://xichugeek.com/?name=episode-025-ai-narrator

## 自动做好的解说视频长什么样

你现在看到的这段解说，配音、字幕、上剪映时间线，全是电脑自动做的。我只写了文稿，准备了几张图。

这期教你搭一个同样的流程：用你自己的声音配音，字幕自动对齐，生成好直接在剪映里打开。工具已经开源，链接在视频说明里。

这期讲三件事：要准备什么，怎么装，怎么一键出片。

## 原理：逐句配音，字幕天然对齐

先说原理。你把文稿写成一行一句，程序按行调用本地的 Qwen3-TTS，用你自己的声音一句一句生成配音。

因为是一句一句生成的，每句从第几秒开始、到第几秒结束，程序都知道，所以字幕不用再识别，天然就是对齐的。

最后它用一个叫 pyJianYingDraft 的开源库，把配音、字幕和图片按时间排好，直接写成一个剪映草稿。你打开剪映，草稿就在列表里。

整个过程都在你自己的电脑上跑，不上传声音，不用花钱买接口。

## 要准备什么

需要准备的：一台 Windows 电脑，最好有 N 卡，我用的是六 G 显存的 RTX 3060 笔记本；装好剪映专业版；再把 Qwen3-TTS 装好。

Qwen3-TTS 还没装的，先看上一期，从配置到部署都讲了，这期直接接着用。

另外准备一段你自己的录音，十几秒，安静环境，再把录音里说的话原样写下来，克隆要用到这两样。只用你自己的声音。

## 安装和配置

第一步，下载工具。从 GitHub 下载，或者用说明里的网盘备份，解压到一个不带中文和空格的目录。

第二步，打开上期装好 Qwen3-TTS 的那个环境，进到工具目录，运行这一行，把剪映草稿库装上。

第三步，打开 config 文件，填三样东西：你的参考录音、它的逐字稿，还有剪映的草稿文件夹。

草稿文件夹在剪映的全局设置里，草稿位置那一栏，复制过来粘贴就行。

## 写文稿、一键生成

第四步，准备素材。在项目文件夹里放一个 script 文本，一行一句解说词。

想在哪一句换画面，就在那一行前面写上图片的文件名，图片放在同一个文件夹里。没写的句子，沿用上一张图。

数字和英文容易读错，可以在这一行加一条竖线，左边是字幕上显示的字，右边是让它怎么读。

第五步，运行它，它会一句一句生成配音，窗口里能看到进度。我这段五十多秒的解说，生成用了两分钟左右。

## 在剪映里打开

跑完打开剪映，草稿列表里多了一个新草稿，点开就是排好的时间线：一条图片轨，一条配音轨，一条字幕轨。

播放看一下，字幕和声音是对齐的，换图的位置也和文稿一致。

接下来就是正常剪辑。字幕样式、背景音乐、转场，你在剪映里照常改，改完照常导出。

开头你看到的那段就是这样做出来的，从文稿到时间线，我没有手动拖过一条字幕。

## 几个坑和资料

最后说几个坑。第一个，参考录音一定要干净，有背景音乐或者回声，克隆出来的声音会发闷。

第二个，逐字稿要和录音一字不差，差几个字，生成的语气就容易怪。

第三个，草稿用的是项目里的配音和图片，别删、别挪这个项目文件夹，不然剪映会提示素材丢失。

第四个，某一句读得不满意，直接改那一行再运行一次，只会重新生成改过的那句，不用全部重来。

工具、示例素材和全部命令，都在说明栏和官网文章里。你可以先用示例素材跑通一次，再换成自己的文稿。这里是西楚极客，我们继续用 AI，把真正能运行的项目做出来。下期见。