Python与ffmpeg实现电商商品短视频批量生成方案

做电商或者帮商家做内容运营的同学，应该都体会过“批量出片”的焦虑：商品图片几十张，每个商品都要配一条短视频，还要加字幕、加背景音乐，如果全靠剪辑软件手动拖时间轴，一个晚上基本别想休息。本文要介绍的 westshop clip，就是一套围绕电商商品图批量生成展示视频的小型自动化剪辑方案。它不依赖在线剪辑平台，使用 Python 加 ffmpeg 在本地完成，适合新手学习，也适合有 Python 基础的开发者把它改造成自己的运营工具。读完本文，你可以理解它的整体设计，拿到可直接运行的代码，并且知道遇到常见报错时怎么排查。

本文将围绕“需求分析 - 环境准备 - 原理拆解 - 完整代码 - 常见问题 - 工程建议”这条主线展开，代码会按文件拆分，标注好路径，方便直接复制到自己的项目中使用。整个方案的核心思路是：把“图片展示、字幕叠加、背景音乐混音、视频编码”这些重复劳动固化成可配置的流水线，后续无论来了多少商品，只要维护好配置和素材，就能批量产出短视频。

1. 背景与核心概念

1.1 电商批量出片的痛点

电商内容运营对短视频的需求量很大。一个商品详情页可能要配 3 到 5 条不同卖点的小视频；一次活动大促可能要覆盖几十个商品；投放广告时又要针对不同渠道调整画面比例和字幕风格。这些视频如果交给人工剪辑，素材导入、拖拽、加字幕、加音乐、渲染导出，单条可能只要十几分钟，但几十条叠加起来就是数小时甚至一整天的重复劳动。

更大的问题在于“重复”。商品图名称不同、卖点文案不同、背景音乐不同，但剪辑节奏和视觉结构高度相似。比如都是“商品图全屏展示 3 秒，底部出现一句促销文案，配上一段轻音乐”，这种流程完全可以模板化。把重复工作拆成模板后，剩下的只是替换素材和文案，这正是自动化剪辑工具擅长的事情。

1.2 westshop clip 要解决什么

westshop clip 并不是某个官方固定产品名，而是本文采用的一个项目代号。它代表一套使用 Python 和 ffmpeg 实现的“电商商品视频批量剪辑工具”，核心定位是：根据商品图片、促销文案和背景音乐，自动生成一批竖屏 MP4 短视频，视频格式适合在手机端观看，也方便后续接入详情页、信息流投放或私域内容分发。

工具本身只做几件事：读取配置文件、为每个商品生成字幕图片、将商品图片与字幕图片合成为视频片段、把多个片段拼接成一个完整视频、最后混入背景音乐并输出最终文件。整个过程不需要打开剪辑软件，也不需要手动渲染，运行一次脚本就能得到一条成品视频。后续如果要调整字幕位置、视频时长、背景音乐音量，只需要改配置，不需要改动代码。

1.3 技术方案为什么选 Python + ffmpeg

市面上有很多视频处理库，比如 MoviePy、OpenCV、ImageMagick 等，但本文最终选择“Python 负责业务流程 + ffmpeg 负责底层音视频处理”。这样做的原因主要有三点：

第一，ffmpeg 功能稳定且覆盖面广。图片转视频、视频拼接、音频混流、滤镜叠加都是 ffmpeg 的成熟能力，它不需要依赖特定 Python 版本，也不容易受到 Pillow、NumPy 等库升级的影响。直接调用命令行，只要命令写对，结果就非常可控。

第二，Python 适合做工程化封装。配置读取、文件路径处理、批量循环、异常捕获、日志输出，这些都是 Python 的强项。用 Python 把复杂的 ffmpeg 命令封装成一个个函数，代码可读性和可维护性都比直接写 Shell 脚本更好。

第三，中间产物可视化。这个流程里会生成字幕 PNG 和分段 MP4，任何一个步骤出错都可以直接查看中间文件，方便定位是图片问题、字体问题还是编码问题。对入门者来说，这种“逐步可检查”的设计更友好。

2. 环境准备与项目结构

2.1 安装依赖

本项目的运行环境以 Python 3 为基础，需要准备两个核心环境：Python 和 ffmpeg。

Python 直接到官网下载安装即可，安装时建议勾选“Add Python to PATH”，这样在命令行中可以直接使用 python 命令。项目用到的第三方库只有 Pillow，用来生成字幕图片，安装命令如下：

bash复制pip install pillow

如果本机同时存在 Python 2 环境，可能需要使用 pip3 或者通过虚拟环境安装，这里不强制指定版本，以你本机实际可用的 Python 3 环境为准。

ffmpeg 需要单独安装。Windows 用户可以从 ffmpeg 官网下载编译好的二进制压缩包，解压后将 bin 目录加入系统环境变量 PATH；macOS 用户可以使用 Homebrew 安装：

bash复制brew install ffmpeg

Linux 用户可以使用系统包管理器，例如 Ubuntu/Debian 安装：

bash复制sudo apt update
sudo apt install ffmpeg

安装完成后，打开新的命令行窗口，输入 ffmpeg -version，如果能看到版本信息，说明安装成功。

2.2 验证安装

建议先验证两个核心命令是否可用：

bash复制python --version
ffmpeg -version

如果 python 命令不生效，可以检查 Python 是否加入 PATH；如果 ffmpeg 命令不生效，可以检查 ffmpeg 的 bin 目录是否正确配置。下面的代码里所有调用 ffmpeg 的地方都依赖这个基础环境，提前验证可以避免后续每一步都报“command not found”。

还需要准备一个中文字体文件。因为电商文案大多是中文，而 Pillow 默认字体不支持中文，所以项目中需要一个字体路径，例如 Windows 下的 C:/Windows/Fonts/msyh.ttc，或者 Linux 下的 /usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc。如果找不到字体文件，可以先用系统自带的字体目录查找，后续第 5 节会专门讲中文字体显示问题。

2.3 项目目录结构

为了后续维护方便，项目按功能拆分成多个文件，推荐结构如下：

code复制westshop-clip/
├── config.json
├── main.py
├── src/
│   ├── config.py
│   ├── assets.py
│   ├── video_builder.py
│   └── batch_runner.py
├── assets/
│   ├── images/
│   ├── music/
│   └── fonts/
└── output/

这里把主体代码放在 src 目录，入口文件 main.py 放在项目根目录。assets/images 存放商品图片，assets/music 存放背景音乐，assets/fonts 存放中文字体文件，output 存放生成的视频和临时文件。所有路径都在配置文件中指定，代码里不出现硬编码的绝对路径。

3. 核心功能与原理拆解

3.1 素材规范

自动化剪辑能把流程标准化，前提是素材尽量规范。商品图片建议使用 JPG 或 PNG 格式，命名不要包含中文和空格，例如 sku_1001.png、sku_1002.png。如果素材本身是横向大图，则需要在 ffmpeg 阶段通过 scale 和 pad 滤镜处理成竖屏比例，这个过程会在 3.4 节详细说明。

背景音乐建议使用常见的 MP3、M4A、AAC 格式，时长不需要刻意裁剪到和视频一样长，因为 ffmpeg 的 -stream_loop 可以循环播放音频，再配合 -shortest 参数让最终视频以较短的流结束。简单来说，音频比视频短就循环，音频比视频长就自动截断。

字体文件建议统一放在 assets/fonts 目录，这样配置项里的路径相对稳定，换机器部署时只需要把整个项目目录拷贝过去即可。

3.2 配置项设计

配置是整个 westshop clip 项目的核心，因为不同商品、不同活动往往只改配置，不改代码。配置使用 JSON 格式，方便 Python 读取，也方便非开发人员理解。核心字段如下：

每个 clip 片段包含商品图片路径、字幕文案和可选时长。这样设计的好处是，运营人员只需要维护一个 JSON 文件，把商品图和文案填进去，就能批量出片。

3.3 字幕图片生成原理

字幕不直接绘制在商品图上，而是先生成一张透明背景 PNG，再通过 ffmpeg 的 overlay 滤镜叠加到视频画面上。这种设计有几个好处：图片生成和视频编码逻辑分离，字体、字号、字幕位置都可以独立调整；如果后续要换字幕样式，只需要修改生成字幕图的函数；使用透明 PNG 叠加后，字幕不会遮挡商品主体，底部黑边区域也能保持干净。

Pillow 生成字幕图的核心思路是：创建一张 RGBA 模式的透明图片，使用 ImageDraw 绘制文字，文字位置使用 anchor="mm" 让文本在图片中心水平垂直居中。RGBA 模式中的 A 通道表示透明度，底色设为全透明后，叠加到视频时只会显示文字本身。

3.4 ffmpeg 视频合成原理

整个视频合成过程可以分为三步：生成单段视频、拼接全部片段、混入背景音乐。

生成单段视频时，需要把一张静态图片变成动态视频流。ffmpeg 使用 -loop 1 让图片循环生成视频帧，然后通过 -i 输入字幕 PNG。滤镜部分先将商品图缩放到视频尺寸，再通过 pad 补齐黑边，最后用 overlay 把字幕叠加到画面上。

这个过程涉及几个关键参数：scale 负责缩放图片尺寸，force_original_aspect_ratio=decrease 表示按原始比例缩小，不会拉伸变形；pad 负责在缩放后的图片周围补边，达到指定分辨率；overlay 负责把字幕叠加在指定坐标；format=yuv420p 保证编码格式兼容大多数播放器。

拼接片段时，使用 ffmpeg 的 concat demuxer，它从一个文本文件中读取所有分段视频的路径，然后按顺序拼接。这里要求所有分段视频的编码参数一致，否则拼接可能失败。本文生成的每个片段都使用相同的分辨率、帧率和编码器，所以可以直接拷贝流，不做二次编码，速度很快。

混入背景音乐时，使用 -stream_loop -1 让背景音乐无限循环，再通过 volume 滤镜控制音量大小，最终用 -shortest 让输出视频在视频流或音频流较短的一端停止。

4. 完整实战案例

4.1 准备商品素材与配置文件

在项目目录中创建 config.json，内容参考如下：

json复制{
  "output_dir": "output",
  "output_name": "final.mp4",
  "background_music": "assets/music/bgm.mp3",
  "font_path": "assets/fonts/msyh.ttc",
  "video": {
    "width": 1080,
    "height": 1920,
    "fps": 30,
    "duration_per_clip": 3,
    "font_size": 60
  },
  "clips": [
    {
      "image": "assets/images/sku_1001.png",
      "subtitle": "限时特惠 5 折"
    },
    {
      "image": "assets/images/sku_1002.png",
      "subtitle": "第二件半价"
    },
    {
      "image": "assets/images/sku_1003.png",
      "subtitle": "新品上市 抢先体验"
    }
  ]
}

配置里每个 clip 的 duration 是可选的，如果没有填写，就使用 video.duration_per_clip 的默认值 3 秒。实际项目中，你可以把 clips 数组理解为“待生成视频的订单列表”，新增商品时只需要追加新的对象。

4.2 读取配置

配置读取逻辑很简单，使用 Python 标准库 json 读取文件内容，并对配置文件的缺失情况进行检查。创建 src/config.py，代码如下：

python复制# 文件路径：src/config.py
import json
from pathlib import Path


def load_config(config_path: str):
    config_file = Path(config_path)
    if not config_file.exists():
        raise FileNotFoundError(f"配置文件不存在: {config_path}")

    with open(config_file, "r", encoding="utf-8") as f:
        config = json.load(f)

    return config

这里使用 pathlib.Path 处理路径，兼容 Windows 和 Linux。如果配置文件不存在，会抛出明确的错误信息，避免后面使用空配置导致一系列奇怪问题。

4.3 生成字幕图片

创建 src/assets.py，实现字幕图片生成函数。核心代码使用 Pillow 完成透明图片创建和文字绘制。

python复制# 文件路径：src/assets.py
from PIL import Image, ImageDraw, ImageFont


def create_subtitle_image(text: str, width: int, height: int,
                          font_path: str = None, font_size: int = 60):
    img = Image.new("RGBA", (width, height), (0, 0, 0, 0))
    draw = ImageDraw.Draw(img)

    try:
        font = ImageFont.truetype(font_path, font_size) if font_path else ImageFont.load_default()
    except OSError:
        print("警告: 字体加载失败，使用默认字体，中文可能无法显示")
        font = ImageFont.load_default()

    draw.text((width / 2, height / 2), text,
              font=font, fill=(255, 255, 255, 255), anchor="mm")
    return img

代码第 4 行创建透明画布，第 9 行加载字体。如果指定字体路径无效，就降级使用默认字体。第 13 行用 anchor="mm" 让文字在字幕区域中居中显示，这样无论字幕图片尺寸怎么变，文字都会保持在区域中心。实际项目中，你可以在这个函数里继续扩展描边、阴影、渐变色等效果。

4.4 生成单段视频

创建 src/video_builder.py，封装所有 ffmpeg 相关操作。

python复制# 文件路径：src/video_builder.py
import subprocess
from pathlib import Path


def run_command(cmd: list):
    print("执行命令:", " ".join(cmd))
    result = subprocess.run(cmd, capture_output=True, text=True, encoding="utf-8")
    if result.returncode != 0:
        raise RuntimeError(
            f"命令执行失败，退出码 {result.returncode}\n{result.stderr}"
        )
    return result


def build_clip(image_path, subtitle_path, output_path,
               width, height, duration, fps=30):
    cmd = [
        "ffmpeg", "-y",
        "-loop", "1",
        "-i", str(image_path),
        "-i", str(subtitle_path),
        "-filter_complex",
        f"[0:v]scale={width}:{height}:force_original_aspect_ratio=decrease,"
        f"pad={width}:{height}:(ow-iw)/2:(oh-ih)/2:color=black[bg];"
        f"[bg][1:v]overlay=(W-w)/2:H-h-180[v];"
        f"[v]format=yuv420p",
        "-t", str(duration),
        "-r", str(fps),
        "-c:v", "libx264",
        str(output_path)
    ]
    run_command(cmd)


def concat_clips(clip_paths, list_path, output_path):
    lines = [f"file '{clip_path.as_posix()}'" for clip_path in clip_paths]
    list_path.write_text("\n".join(lines), encoding="utf-8")

    cmd = [
        "ffmpeg", "-y",
        "-f", "concat",
        "-safe", "0",
        "-i", str(list_path),
        "-c", "copy",
        str(output_path)
    ]
    run_command(cmd)


def add_background_music(video_path, bgm_path, output_path, volume=0.8):
    cmd = [
        "ffmpeg", "-y",
        "-stream_loop", "-1",
        "-i", str(bgm_path),
        "-i", str(video_path),
        "-filter_complex", f"[0:a]volume={volume}[a]",
        "-map", "1:v",
        "-map", "[a]",
        "-c:v", "copy",
        "-c:a", "aac",
        "-shortest",
        str(output_path)
    ]
    run_command(cmd)

run_command 是所有命令的统一入口，它会打印实际执行的命令，并在失败时抛出异常。build_clip 生成单段视频，concat_clips 拼接片段，add_background_music 混音。各函数之间只通过参数和返回值通信，方便单独测试某个步骤。

4.5 编写批量流程入口

创建 src/batch_runner.py，把整个生产流程串起来。

python复制# 文件路径：src/batch_runner.py
import shutil
from pathlib import Path

from src.assets import create_subtitle_image
from src.video_builder import (
    build_clip,
    concat_clips,
    add_background_music,
)


def run_batch(config):
    output_dir = Path(config["output_dir"])
    output_dir.mkdir(parents=True, exist_ok=True)

    tmp_dir = output_dir / "tmp"
    tmp_dir.mkdir(parents=True, exist_ok=True)

    clip_paths = []
    for idx, item in enumerate(config["clips"]):
        image_path = Path(item["image"])
        if not image_path.exists():
            raise FileNotFoundError(f"商品图片不存在: {image_path}")

        subtitle = item.get("subtitle", "")
        font_path = item.get("font_path") or config.get("font_path")
        font_size = config["video"].get("font_size", 60)
        sub_height = int(config["video"]["height"] * 0.15)

        subtitle_img = create_subtitle_image(
            text=subtitle,
            width=config["video"]["width"],
            height=sub_height,
            font_path=font_path,
            font_size=font_size
        )
        sub_path = tmp_dir / f"subtitle_{idx}.png"
        subtitle_img.save(sub_path)

        clip_path = tmp_dir / f"clip_{idx}.mp4"
        build_clip(
            image_path=image_path,
            subtitle_path=sub_path,
            output_path=clip_path,
            width=config["video"]["width"],
            height=config["video"]["height"],
            duration=item.get("duration", config["video"].get("duration_per_clip", 3)),
            fps=config["video"].get("fps", 30)
        )
        clip_paths.append(clip_path)

    list_path = tmp_dir / "concat_list.txt"
    merged_path = tmp_dir / "merged.mp4"
    concat_clips(clip_paths, list_path, merged_path)

    final_path = output_dir / config.get("output_name", "final.mp4")
    if config.get("background_music"):
        add_background_music(
            video_path=merged_path,
            bgm_path=Path(config["background_music"]),
            output_path=final_path
        )
    else:
        shutil.move(str(merged_path), str(final_path))

    print("生成完成:", final_path)
    return final_path

这个函数先创建输出目录和临时目录，然后遍历 clips，依次生成字幕图片、生成单段视频，最后拼接和混音。中间文件都放在 output/tmp 目录下面，方便排查问题时检查。

最后创建入口文件 main.py：

python复制# 文件路径：main.py
from src.config import load_config
from src.batch_runner import run_batch


if __name__ == "__main__":
    config = load_config("config.json")
    run_batch(config)

4.6 运行与验证

在项目根目录执行：

bash复制python main.py

如果环境配置正确，控制台会依次打印多条 ffmpeg 执行命令，最后显示“生成完成”。打开 output/final.mp4，应该能看到一个包含三个商品片段、每段 3 秒、底部有促销文案并带有背景音乐的竖屏短视频。

如果运行过程中任何一个命令失败，RuntimeError 会把 ffmpeg 的错误输出带到终端，方便快速定位。比如图片路径写错、字体文件失效、ffmpeg 未安装，都会在对应步骤中断并给出提示。

5. 常见问题与排查思路

5.1 高频报错速查表

5.2 中文与字体问题

中文显示问题是最常见的坑。如果字幕图片已经生成，但视频中的中文显示成方框或乱码，基本可以确定是字体加载失败。Pillow 的 ImageFont.load_default() 默认字体通常不支持中文，所以一定要在配置中指定中文字体。

排查步骤：检查字体文件是否存在；检查 font_path 是否指向正确的文件；检查字体文件是否为 TrueType 或 OpenType 格式；最后看 assets.py 中是否有“字体加载失败”的警告。如果确认字体路径正确，但仍然异常，可以在本地 Python 交互式环境中单独调用 ImageFont.truetype 进行验证。

5.3 图片比例与黑边问题

当前代码使用 scale + pad 方案，意思是图片先按原始比例缩放到视频尺寸内，然后在不满足尺寸的方向补黑边。对于大多数竖屏商品图来说效果很好。如果商品图是横向大图，黑边会很宽，影响观感。

这时可以换一种处理思路：使用 scale 配合 crop 实现裁剪填充，也就是让图片填满整个屏幕，超出部分直接裁掉。ffmpeg 滤镜可以写成按原图比例放大到能够覆盖视频尺寸，然后居中裁剪。需要修改 build_clip 中的滤镜字符串，例如：

bash复制[0:v]scale=1080:1920:force_original_aspect_ratio=increase,crop=1080:1920[bg]

这种方案适合详情页大图和活动海报，但会丢失图片边缘信息，需要根据实际素材决定。

5.4 音频与拼接问题

如果最终视频没有声音，先检查 background_music 是否为空，再检查音乐文件是否能正常播放。也可以单独执行混音命令，把视频和音频文件换成测试素材，判断是文件问题还是命令问题。

如果拼接时提示 Invalid data found when processing input，通常是因为 concat 列表里的文件路径包含特殊字符，或者分段视频编码不一致。在 concat_clips 中，列表内容使用单引号包裹路径；如果路径中包含单引号，会破坏列表语法，建议避免在素材路径中使用单引号。更稳妥的做法是先把各片段重新编码为统一参数，再做 concat。

6. 最佳实践与工程建议

6.1 配置与素材管理

每天处理大量商品素材时，推荐为每个活动单独维护一份配置，例如 config_618.json、config_double11.json，并把同一批商品图片放到一个独立目录。这样配置和素材相互对应，活动结束后整目录归档，便于追溯。

素材命名尽量使用“商品ID_序号”的结构，例如 1001_01.png。避免使用中文、空格、乱码字符，原因是这些字符在 Windows 和 Linux 的路径处理中容易引入不可控问题，在 ffmpeg 的 concat 列表中也容易出现解析错误。不要直接修改原始商品图，所有缩放、裁切、叠加都在 ffmpeg 滤镜中完成，保证原始素材不被破坏。

6.2 代码健壮性

当前示例代码已经包含基础异常处理，但在工程化版本中，建议增加日志模块，把普通日志和错误日志分开。比如使用 Python 标准库 logging，每次生成任务都记录时间、商品数量、素材路径、命令执行状态，出现问题时可以快速回查。

在批量任务中，不要因为一个片段失败就让整个任务退出。可以在循环里捕获异常，记录失败的商品，继续处理其余商品，最后汇总失败列表。这个设计对于几十个商品的批量出片尤其重要，否则一个图片缺失会导致后面所有视频都生成不了。

6.3 性能优化

视频编码是性能瓶颈，CPU 软编码速度可能不够快。在支持 NVIDIA 显卡的环境中，可以把 libx264 换成 h264_nvenc，编码速度会有明显提升。例如 -c:v h264_nvenc。如果目标平台支持 HEVC，也可以尝试 hevc_nvenc，但要注意播放器兼容性。

批量任务还可以使用多进程并行。不同商品片段之间互相独立，可以先把所有字幕图片生成好，再使用 multiprocessing.Pool 并行生成多个片段，最后再执行拼接。这样能显著压缩总耗时。

6.4 安全与合规边界

自动化剪辑处理的是商品宣传素材，必须确保图片、音乐、字体都有合法授权。不能用未授权的商业音乐做背景乐，不能使用他人商标字体做商业用途，更不能使用工具制作虚假促销内容误导用户。

在生产环境中配置和素材可能集中在服务器上，需要设置合理的文件权限，避免配置文件暴露内部商品信息和运营策略。如果最终视频要对外投放，建议在发布前经过人工审核，确认文案与商品实际活动一致。

6.5 扩展方向

当前 westshop clip 处理的是“图片 + 字幕 + 背景音乐”的基础场景，后续可以扩展的方向很多：添加片头片尾，在每个片段之间加入转场效果；从 JSON 中读取更多商品字段，比如价格、卖点标签，自动生成更丰富的字幕版式；接入商品数据库或电商平台 API，直接把在线商品图拉下来批量出片；配合语音合成库，把文案转换成配音，进一步提升视频表现力。

这些扩展都是在现有骨架上的功能叠加，核心的“配置驱动 + 模块化函数 + ffmpeg 执行”架构不需要改变，这也正是本文把流程拆分得比较清晰的原因。

7. 总结与学习路线

本文以 westshop clip 为项目代号，完整实现了一套电商商品视频批量剪辑工具。通过这个项目，你可以掌握几条关键技术：把业务需求拆分成可配置的执行流程；使用 Pillow 生成透明字幕图片；使用 ffmpeg 完成图片循环、滤镜叠加、视频拼接和音频混流；用 Python 封装外部命令，最终形成可维护的自动化工具。

接下来如果想继续深入，可以按三个方向学习：第一，研究 ffmpeg 滤镜系统，掌握更多视频特效和转场效果；第二，学习 Python 多进程和异步编程，优化批量任务吞吐量；第三，学习 Web API 和数据库操作，把工具接入真实的商品管理系统。如果是在公司内部使用，建议先跑通一套活动素材，再逐步增加模板和异常处理，不要一开始就追求功能大而全。

这套方案的核心价值在于把琐碎重复的剪辑工作转化为可重复维护的工程能力。希望你在自己动手改代码的过程中，能真正跑通一条属于你的商品视频生成流水线。