Auto Video Generator MCP

English | 中文

一个基于 MCP (Model Context Protocol) 的智能视频生成系统，支持自动添加字幕、语音合成和视频剪辑功能。

功能特性

核心功能

• 智能视频剪辑: 支持视频片段保留/剪切模式
• 自动删除重复帧/静止片段: 一键检测并剪掉无效画面，提升视频精华度（可选参数，默认关闭）
• 自动字幕生成: 智能文本分割和字幕样式自定义
• 语音合成: 集成 Azure 语音服务，支持多种音色
• 多画质输出: 支持 240p 到 1080p 多种画质预设
• GPU 加速编码: 支持 AMD AMF、NVIDIA NVENC、Intel QSV 硬件编码加速
• 异步任务处理: 支持长时间任务的异步处理
• 时间标记控制: 支持在文本中使用时间标记控制静默时间

技术特性

• 模块化架构: 清晰的模块分离，易于维护和扩展
• MCP 协议: 基于 FastMCP 的标准化接口
• 配置管理: 灵活的配置系统，支持环境变量
• 任务管理: 完整的任务状态跟踪和管理
• 临时文件清理: 自动清理处理过程中的临时文件

系统要求

软件依赖

• Python 3.8+
• FFmpeg (需要预先安装并配置到系统 PATH)
• Windows 系统 (字体路径配置)

Python 依赖

httpx>=0.24.0
fastmcp>=0.1.0
azure-cognitiveservices-speech>=1.31.0
pydub>=0.25.1
moviepy>=1.0.3
opencv-python>=4.8.0
Pillow>=10.0.0
jieba>=0.42.1

安装配置

1. 克隆项目

git clone https://github.com/zgmurder/auto_video_generator-mcp.git
cd auto-video-generator-mcp

2. 安装依赖

pip install -r requirements.txt

3. 配置环境变量

# FFmpeg 路径配置 (可选)
export FFMPEG_PATH="path/to/ffmpeg"
export FFPROBE_PATH="path/to/ffprobe"

# 调试模式 (可选)
export DEBUG_MODE="true"

4. 启动服务器

python auto_generate_video_mcp_modular.py

服务器将在 http://localhost:8000/sse 启动。

使用指南

基本使用

1. 简单视频生成

# 生成带字幕和语音的视频
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="欢迎观看本视频，这是AI自动生成的解说。",
    voice_index=0,
    output_path="output.mp4"
)

2. 自定义画质

# 生成高清视频
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="高清视频内容",
    quality_preset="1080p"
)

3. 视频片段处理

# 保留指定片段 - 注意：segments必须是JSON字符串格式
segments = '[{"start": "00:00:05", "end": "00:00:15"}]'  # JSON字符串
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="片段解说",
    segments_mode="keep",
    segments=segments  # 传递JSON字符串，不是字典对象
)

# 剪切指定片段
segments = '[{"start": "00:00:10", "end": "00:00:20"}, {"start": "00:00:30", "end": "00:00:40"}]'
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="剪切片段解说",
    segments_mode="cut",
    segments=segments  # JSON字符串格式
)

高级功能

1. 时间标记控制

# 使用时间标记控制静默时间
text = "{5s}欢迎观看{5000ms}本视频由AI自动剪辑并添加智能字幕和语音解说。{2s}感谢您的观看！"
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text=text
)

2. 自定义字幕样式

# 自定义字幕样式 - 注意：subtitle_style必须是JSON字符串格式
subtitle_style = '{"fontSize": 60, "color": "yellow", "bgColor": [0, 0, 0, 128]}'  # JSON字符串
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="自定义字幕样式",
    subtitle_style=subtitle_style  # 传递JSON字符串，不是字典对象
)

# 更多字幕样式示例
subtitle_style = '{"fontSize": 50, "color": "white", "bgColor": [0, 0, 0, 30], "marginX": 100, "marginBottom": 50}'

3. 异步任务处理

# 创建异步任务
task_id = await generate_auto_video_async(
    video_path="input.mp4",
    text="长时间处理任务"
)

# 查询任务状态
status = await get_task_status(task_id)

# 取消任务
await cancel_task(task_id)

4. 自动删除重复帧/静止片段

# 自动检测并剪掉视频中的静止/无聊片段（如长时间无动作画面）
# 方法1：使用配置文件中的参数
import json
with open("best_motion_clip_params.json", "r", encoding="utf-8") as f:
    motion_params = json.load(f)
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    output_path="output_motion_clip.mp4",
    enable_motion_clip=True,  # 启用自动静止片段检测
    motion_clip_params=json.dumps(motion_params)  # 转换为JSON字符串
)

# 方法2：直接传入JSON字符串参数
motion_params = '{"motion_threshold": 0.1, "min_static_duration": 2.0, "sample_step": 1}'  # JSON字符串
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    output_path="output_motion_clip.mp4",
    enable_motion_clip=True,
    motion_clip_params=motion_params  # 直接传递JSON字符串
)

5. 极致GPU加速编码

# 使用极致GPU优化进行视频编码，将显卡性能发挥到最大
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="极致GPU加速视频处理",
    enable_gpu_acceleration=True,  # 启用极致GPU加速
    gpu_type="auto",  # 自动检测GPU类型，或指定"amd"/"nvidia"/"intel"
    quality_preset="1080p"
)

# 获取系统性能信息
performance_info = await get_system_performance_info_mcp()

# 优化视频处理参数
optimized_config = await optimize_video_processing_mcp("input.mp4", "1080p")

# GPU性能基准测试
benchmark_result = await benchmark_gpu_performance_mcp()

重要说明：

• JSON参数格式: 所有配置参数（segments, subtitle_style, auto_split_config, motion_clip_params）都必须使用JSON字符串格式传递，不能直接传递字典对象。
• 时间格式: 视频片段时间格式为 "HH:MM:SS"，例如 "00:00:05" 表示5秒。
• 运动检测: enable_motion_clip=True 时，系统会自动分析视频，检测并剪掉所有静止/重复帧片段。
• GPU优化: enable_gpu_acceleration=True 时，系统会启用极致GPU优化，自动检测硬件配置并优化编码参数。
• 极致GPU优化: 包括多线程处理、内存优化、编码器调优、异步处理、缓存优化等。
• 兼容性: 不影响原有字幕、语音等功能，完全兼容。

JSON参数格式说明

重要提醒

所有配置参数都必须使用JSON字符串格式传递，不能直接传递字典对象。这是为了确保MCP协议的兼容性和数据传递的准确性。

参数格式示例

1. 视频片段配置 (segments)

[
  {"start": "00:00:05", "end": "00:00:15"},
  {"start": "00:00:30", "end": "00:00:45"}
]

传递方式: segments='[{"start": "00:00:05", "end": "00:00:15"}]'

2. 字幕样式配置 (subtitle_style)

{
  "fontSize": 50,
  "color": "white",
  "bgColor": [0, 0, 0, 30],
  "fontPath": "C:\\Windows\\Fonts\\msyh.ttc",
  "marginX": 100,
  "marginBottom": 50
}

传递方式: subtitle_style='{"fontSize": 50, "color": "white"}'

支持的字段名格式:

• 字体大小: fontSize, font_size, size
• 字体颜色: color, font_color, fontColor, text_color, textColor
• 背景颜色: bgColor, bg_color, background_color, backgroundColor
• 字体路径: fontPath, font_path, font
• 左右边距: marginX, margin_x, margin
• 底部边距: marginBottom, margin_bottom, bottom_margin
• 字幕高度: height, subtitle_height

颜色格式支持:

• 颜色名称: "white", "black", "red", "yellow" 等
• 十六进制: "#000000", "#FFFFFF" 等
• RGB数组: [255, 255, 255]
• RGBA数组: [0, 0, 0, 30] (最后一个数字是透明度)
• 透明背景: "transparent"

3. 智能分割配置 (auto_split_config)

{
  "max_chars_per_line": 20,
  "max_duration_per_segment": 5.0,
  "min_duration_per_segment": 1.0
}

传递方式: auto_split_config='{"max_chars_per_line": 20, "max_duration_per_segment": 5.0}'

4. 运动检测配置 (motion_clip_params)

{
  "motion_threshold": 0.1,
  "min_static_duration": 2.0,
  "sample_step": 1
}

传递方式: motion_clip_params='{"motion_threshold": 0.1, "min_static_duration": 2.0}'

常见错误示例

# ❌ 错误：直接传递字典对象
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    segments=[{"start": "00:00:05", "end": "00:00:15"}]  # 错误！
)

# ✅ 正确：传递JSON字符串
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    segments='[{"start": "00:00:05", "end": "00:00:15"}]'  # 正确！
)

# ✅ 正确：支持多种字段名格式
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="测试字幕样式",
    subtitle_style='{"font_color": "#000000", "background_color": "transparent", "font_size": 36}'  # 支持多种字段名
)

配置说明

画质预设

预设	分辨率	比特率	适用场景
240p	426240	500k	快速预览
360p	640360	800k	移动设备
480p	854480	1.2M	一般用途
720p	1280720	2M	默认设置
1080p	19201080	4M	最高质量

语音音色

• voice_index=0: zh-CN-XiaoxiaoNeural (默认)
• voice_index=1-4: 其他 Azure 语音音色

字幕样式配置

{
    "fontSize": 50,
    "color": "white",
    "bgColor": [0, 0, 0, 30],
    "fontPath": "C:\\Windows\\Fonts\\msyh.ttc",
    "marginX": 100,
    "marginBottom": 50
}

MCP 工具函数说明

本项目基于 Model Context Protocol (MCP) 构建，提供了一套完整的视频生成工具函数。所有函数都通过 FastMCP 框架暴露为标准化接口，支持异步调用和任务管理。

核心视频生成函数

generate_auto_video_mcp

主要视频生成接口，支持完整的视频处理流程，包括语音合成、字幕生成、视频剪辑等。

参数说明:

• video_path (str): 输入视频文件路径 (必传)
• text (str): 要转换为语音的文本内容 (可选，为空时仅进行视频处理)
• voice_index (int): 语音音色索引，范围 0-4 (默认: 0)
  • 0: zh-CN-XiaoxiaoNeural (默认女声)
  • 1-4: 其他 Azure 语音音色
• output_path (str): 输出视频文件路径 (默认: "output_video.mp4")
• segments_mode (str): 视频片段处理模式 (默认: "keep")
  • "keep": 保留指定片段
  • "cut": 剪切指定片段
• segments (str): 视频片段配置，必须是JSON字符串格式 (可选)

  [
    {"start": "00:00:05", "end": "00:00:15"}, 
    {"start": "00:00:30", "end": "00:00:45"}
  ]
  

  注意: 时间格式为 "HH:MM:SS"，必须使用JSON字符串格式传递
• subtitle_style (str): 字幕样式配置，必须是JSON字符串格式 (可选)

  {
    "fontSize": 50,
    "color": "white",
    "bgColor": [0, 0, 0, 30],
    "fontPath": "C:\\Windows\\Fonts\\msyh.ttc",
    "marginX": 100,
    "marginBottom": 50
  }
  

  注意: 必须使用JSON字符串格式传递，不能直接传递字典对象
• auto_split_config (str): 智能文本分割配置，必须是JSON字符串格式 (可选)

  {
    "max_chars_per_line": 20,
    "max_duration_per_segment": 5.0,
    "min_duration_per_segment": 1.0
  }
  

  注意: 必须使用JSON字符串格式传递
• quality_preset (str): 输出视频画质预设 (默认: "720p")
  • 支持: "240p", "360p", "480p", "720p", "1080p"
• enable_motion_clip (bool): 是否启用自动静止片段检测 (默认: False)
• motion_clip_params (str): 运动检测参数配置，必须是JSON字符串格式 (可选)

  {
    "motion_threshold": 0.1,
    "min_static_duration": 2.0,
    "sample_step": 1
  }
  

  注意: 必须使用JSON字符串格式传递，不能直接传递字典对象

返回值: JSON 字符串，包含处理结果和状态信息

使用示例:

# 基本使用
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="欢迎观看本视频，这是AI自动生成的解说。",
    voice_index=0,
    output_path="output.mp4",
    quality_preset="1080p"
)

# 带JSON参数的高级使用
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="欢迎观看本视频，这是AI自动生成的解说。",
    voice_index=0,
    output_path="output.mp4",
    quality_preset="1080p",
    segments='[{"start": "00:00:05", "end": "00:00:15"}]',  # JSON字符串
    segments_mode="keep",
    subtitle_style='{"fontSize": 60, "color": "yellow", "bgColor": [0, 0, 0, 128]}',  # JSON字符串
    auto_split_config='{"max_chars_per_line": 25, "max_duration_per_segment": 4.0}',  # JSON字符串
    enable_motion_clip=True,
    motion_clip_params='{"motion_threshold": 0.15, "min_static_duration": 1.5, "sample_step": 2}'  # JSON字符串
)

generate_auto_video_sync

同步视频生成接口，适合短时间任务，会阻塞直到处理完成。

参数: 与 generate_auto_video_mcp 相同

特点:

• 同步执行，等待处理完成
• 适合短视频或快速处理
• 直接返回最终结果

generate_auto_video_async

异步视频生成接口，适合长时间任务，立即返回任务ID。

参数: 与 generate_auto_video_mcp 相同

返回值: 任务ID字符串

特点:

• 异步执行，不阻塞调用
• 适合长视频或复杂处理
• 需要通过任务管理接口查询状态

任务管理函数

get_task_status(task_id: str)

获取指定任务的详细状态信息。

参数:

• task_id (str): 任务ID

返回值: JSON 字符串，包含任务状态、进度、结果等信息

{
  "task_id": "uuid-string",
  "status": "pending|running|completed|failed",
  "progress": 75,
  "result": "output_video.mp4",
  "error": null,
  "start_time": "2024-01-01T10:00:00",
  "created_at": "2024-01-01T09:55:00"
}

list_all_tasks()

列出系统中所有任务的概览信息。

返回值: JSON 字符串，包含所有任务的列表

[
  {
    "task_id": "uuid-1",
    "status": "completed",
    "progress": 100,
    "created_at": "2024-01-01T09:55:00"
  },
  {
    "task_id": "uuid-2", 
    "status": "running",
    "progress": 45,
    "created_at": "2024-01-01T10:00:00"
  }
]

cancel_task(task_id: str)

取消正在运行的任务。

参数:

• task_id (str): 要取消的任务ID

返回值: 操作结果字符串

系统信息查询函数

get_system_status()

获取系统整体状态信息，包括配置、依赖、资源等。

返回值: JSON 字符串，包含系统状态

{
  "ffmpeg_available": true,
  "azure_speech_configured": true,
  "font_available": true,
  "temp_directory": "C:\\temp",
  "max_concurrent_tasks": 5,
  "active_tasks": 2
}

get_available_voice_options()

获取所有可用的语音选项列表。

返回值: JSON 字符串，包含语音选项

[
  {
    "index": 0,
    "name": "zh-CN-XiaoxiaoNeural",
    "description": "默认女声",
    "language": "zh-CN"
  },
  {
    "index": 1,
    "name": "zh-CN-YunxiNeural", 
    "description": "男声",
    "language": "zh-CN"
  }
]

参数验证函数

validate_input_parameters(text: str, video_path: str, voice_index: int = 0)

验证输入参数的有效性和完整性。

参数:

• text (str): 要验证的文本内容
• video_path (str): 要验证的视频文件路径
• voice_index (int): 要验证的语音索引

返回值: JSON 字符串，包含验证结果

{
  "valid": true,
  "errors": [],
  "warnings": ["视频文件较大，建议使用异步处理"],
  "video_info": {
    "duration": 120.5,
    "resolution": "1920x1080",
    "format": "mp4"
  }
}

get_generation_estimate(text: str, video_path: str)

根据输入参数估算视频生成所需时间。

参数:

• text (str): 文本内容
• video_path (str): 视频文件路径

返回值: JSON 字符串，包含时间估算

detect_video_motion_mcp(video_path: str, config_path: str = "best_motion_clip_params.json")

独立的运动检测工具，用于分析视频中的静止片段。

参数:

• video_path (str): 要分析的视频文件路径
• config_path (str): 运动检测配置文件路径 (默认: "best_motion_clip_params.json")

返回值: JSON 字符串，包含检测结果

{
  "video_path": "input.mp4",
  "config": {
    "motion_threshold": 0.1,
    "min_static_duration": 2.0,
    "sample_step": 1
  },
  "static_segments": [
    {
      "start": 5.2,
      "end": 8.5,
      "duration": 3.3
    }
  ],
  "timestamps": [
    {
      "start": "00:00:05.200",
      "end": "00:00:08.500"
    }
  ],
  "summary": {
    "total_segments": 5,
    "total_static_time": 15.6,
    "average_segment_duration": 3.12
  }
}

optimize_video_motion_params_mcp(video_path: str, target_min_duration: float = 50.0, target_max_duration: float = 70.0)

运动检测参数优化工具，自动寻找最佳参数以达到目标视频时长。

参数:

• video_path (str): 要优化的视频文件路径
• target_min_duration (float): 目标最小时长 (秒)
• target_max_duration (float): 目标最大时长 (秒)

返回值: JSON 字符串，包含优化结果

{
  "success": true,
  "optimal_config": {
    "motion_threshold": 0.15,
    "min_static_duration": 1.5,
    "sample_step": 2
  },
  "message": "找到最优参数并已保存到配置文件"
}

{
  "estimated_time": 180,
  "time_unit": "seconds",
  "factors": {
    "video_duration": 120,
    "text_length": 500,
    "processing_complexity": "medium"
  },
  "recommendation": "建议使用异步处理"
}

get_system_performance_info_mcp()

系统性能信息工具，获取详细的硬件配置和性能数据。

返回值: JSON 字符串，包含系统性能信息

{
  "cpu": {
    "count": 12,
    "frequency": 2500.0,
    "usage": 21.3
  },
  "memory": {
    "total": 31,
    "available": 5,
    "usage": 81.2
  },
  "gpu": {
    "name": "AMD Radeon RX 580",
    "memory": 8,
    "driver": "22.40.00.01"
  }
}

optimize_video_processing_mcp(video_path: str, target_quality: str = "720p")

视频处理优化工具，根据系统配置自动优化处理参数。

参数:

• video_path (str): 要优化的视频文件路径
• target_quality (str): 目标画质预设

返回值: JSON 字符串，包含优化配置

{
  "encoder": "hevc_amf",
  "preset": "speed",
  "quality": 18,
  "threads": 16,
  "buffer_size": 2048,
  "async_depth": 6,
  "bframes": 3,
  "ref_frames": 4,
  "enable_cache": true,
  "cache_size": 4096
}

benchmark_gpu_performance_mcp()

GPU性能基准测试工具，评估当前系统的视频处理能力。

返回值: JSON 字符串，包含性能测试结果

{
  "processing_time": 3.45,
  "speed_multiplier": 2.90,
  "encoder": "hevc_amf",
  "threads": 16,
  "async_depth": 6,
  "performance_rating": "极佳 ⭐⭐⭐⭐⭐"
}

工具函数调用流程

基本使用流程

1. 参数验证: 使用 validate_input_parameters() 验证输入
2. 时间估算: 使用 get_generation_estimate() 估算处理时间
3. 选择接口: 根据估算时间选择同步或异步接口
4. 任务监控: 异步任务使用 get_task_status() 监控进度
5. 结果获取: 从返回结果中获取输出文件路径

高级使用流程

1. 系统检查: 使用 get_system_status() 检查系统状态
2. 语音选择: 使用 get_available_voice_options() 选择合适的语音
3. 批量处理: 使用 list_all_tasks() 管理多个任务
4. 异常处理: 使用 cancel_task() 处理异常情况

错误处理

所有工具函数都包含完善的错误处理机制：

• 参数错误: 返回详细的错误描述和修正建议
• 文件错误: 检查文件存在性和格式有效性
• 系统错误: 检查依赖项和系统资源
• 网络错误: 处理 Azure 语音服务连接问题
• 处理错误: 提供详细的错误日志和恢复建议

性能优化建议

1. 短视频 (< 30秒): 使用 generate_auto_video_sync
2. 长视频 (> 30秒): 使用 generate_auto_video_async
3. 批量处理: 合理控制并发任务数量
4. 资源监控: 定期检查系统状态和资源使用情况

项目结构

auto-video-generator-mcp/
 auto_generate_video_mcp_modular.py  # 主服务器文件
 auto_video_modules/                 # 核心模块目录
    __init__.py                     # 模块初始化
    config.py                       # 配置管理
    ffmpeg_utils.py                 # FFmpeg 工具
    mcp_tools.py                    # MCP 工具接口
    motion_detection_utils.py       # 运动检测工具
    gpu_optimization_utils.py       # GPU优化工具
    subtitle_utils.py               # 字幕处理
    video_utils.py                  # 视频处理
    voice_utils.py                  # 语音处理
 requirements.txt                    # Python 依赖
 README.md                          # 中文文档（默认）
 README_EN.md                       # 英文文档

故障排除

常见问题

1. FFmpeg 未找到

错误: FFmpeg not found in system PATH 解决: 确保 FFmpeg 已安装并添加到系统 PATH，或设置 FFMPEG_PATH 环境变量。

2. Azure 语音服务错误

错误: Azure Speech Service authentication failed 解决: 检查 AZURE_SPEECH_KEY 和 AZURE_SPEECH_REGION 环境变量配置。

3. 字体文件未找到

错误: Font file not found 解决: 确保系统安装了微软雅黑字体，或修改 config.py 中的字体路径。

4. 内存不足

错误: Memory error during video processing 解决: 使用较低的画质预设，或减少并发任务数量。

调试模式

设置环境变量 DEBUG_MODE=true 启用详细日志输出。

贡献指南

1. Fork 项目
2. 创建功能分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 打开 Pull Request

许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。

支持

如有问题或建议，请通过以下方式联系：

• 提交 Issue
• 发送邮件至项目维护者
• 查看项目 Wiki 获取更多信息

更新日志

v3.0.0

• 重构为模块化架构
• 添加异步任务处理
• 支持多种画质预设
• 改进配置管理系统

v2.0.0

• 添加智能文本分割
• 支持时间标记控制
• 改进字幕样式配置

v1.0.0

• 初始版本发布
• 基础视频生成功能
• Azure 语音服务集成

使用场景示例

1. 教育视频制作

# 为教学视频添加解说
result = await generate_auto_video_mcp(
    video_path="lecture.mp4",
    text="欢迎来到今天的课程。我们将学习人工智能的基础知识。首先，让我们了解什么是机器学习。",
    voice_index=0,
    quality_preset="720p",
    subtitle_style='{"fontSize": 60, "color": "white", "bgColor": [0, 0, 0, 50]}'  # JSON字符串
)

2. 产品演示视频

# 产品功能演示
result = await generate_auto_video_mcp(
    video_path="product_demo.mp4",
    text="这款产品具有以下特点：{2s}第一，操作简单易用。{1s}第二，功能强大全面。{1s}第三，性价比极高。",
    voice_index=1,
    subtitle_style='{"fontSize": 60, "color": "yellow", "bgColor": [0, 0, 0, 30]}'  # JSON字符串
)

3. 视频剪辑和优化

# 仅进行视频处理，不添加语音
result = await generate_auto_video_mcp(
    video_path="raw_video.mp4",
    text="",  # 空文本，只进行视频处理
    segments_mode="cut",
    segments='[{"start": "00:00:10", "end": "00:00:20"}]',  # JSON字符串
    quality_preset="1080p",
    enable_gpu_acceleration=True  # 启用极致GPU优化
)

大模型调用指南

重要提醒

当大模型调用本系统的工具函数时，所有配置参数都必须使用JSON字符串格式，不能直接传递字典对象。

正确的调用方式

1. 基本视频生成

# ✅ 正确：所有参数都是字符串格式
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="欢迎观看本视频",
    voice_index=0,
    output_path="output.mp4",
    quality_preset="720p"
)

2. 带JSON参数的调用

# ✅ 正确：JSON参数使用字符串格式
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    text="视频内容",
    segments='[{"start": "00:00:05", "end": "00:00:15"}]',  # JSON字符串
    subtitle_style='{"fontSize": 50, "color": "white"}',  # JSON字符串
    motion_clip_params='{"motion_threshold": 0.1, "min_static_duration": 2.0}',  # JSON字符串
    enable_gpu_acceleration=True
)

3. 错误示例

# ❌ 错误：直接传递字典对象
result = await generate_auto_video_mcp(
    video_path="input.mp4",
    segments=[{"start": "00:00:05", "end": "00:00:15"}],  # 错误！
    subtitle_style={"fontSize": 50, "color": "white"},  # 错误！
    motion_clip_params={"motion_threshold": 0.1}  # 错误！
)

JSON字符串构建方法

import json

# 方法1：使用json.dumps()
segments = json.dumps([{"start": "00:00:05", "end": "00:00:15"}])
subtitle_style = json.dumps({"fontSize": 50, "color": "white"})

# 方法2：直接写字符串
segments = '[{"start": "00:00:05", "end": "00:00:15"}]'
subtitle_style = '{"fontSize": 50, "color": "white"}'

最佳实践

1. 性能优化

• 对于长视频，建议使用异步任务处理
• 根据需求选择合适的画质预设
• 定期清理临时文件

2. 文本处理

• 合理使用时间标记控制节奏
• 避免过长的单段文本
• 利用智能分割功能优化字幕显示

3. 错误处理

• 始终检查输入参数的有效性
• 监控任务状态，及时处理异常
• 使用调试模式排查问题

特色功能

智能文本分割

系统会自动将长文本分割成适合显示的字幕片段，确保良好的观看体验。

时间标记语法

支持在文本中使用时间标记来控制静默时间：

• {5s} - 5秒静默
• {5000ms} - 5000毫秒静默
• {2.5s} - 2.5秒静默

多任务并发

支持同时处理多个视频生成任务，提高工作效率。

实时状态监控

提供完整的任务状态跟踪，实时了解处理进度。