企业官网建设流程全解析

这次我们来看一个相当有意思的 AI 应用项目：Codex/Deepseek harness 驱动的填词 PV 工作流。标题全称是“【Codex/Deepseek harness】来起舞吧 李文亚教授特供版填词PV”，本质上它不是在讲某个新模型，而是在讲一套“如何把大模型 API 包装成一条自动填词、自动生成分镜、自动合成 PV 的生产链路”。

说得再直白一点：这件事的核心不是“AI 能不能写词”，而是“怎么用 Codex 这类编程 Agent 去调度 DeepSeek 的歌词生成能力，再叠加字幕、分镜、视频合成工具，最终形成一条可复用的批量化产出流程”。如果你平时做音乐类二次创作、PV 剪辑、歌词字幕批量处理，或者想把大模型的生成能力接进自己的自动化流程里，这篇文章可以直接收藏。

文章会拆解三部分内容：第一，给出这套填词 PV 工作流的核心能力和硬件门槛速览；第二，用可复现的方式演示从环境准备、模型 API 调用、歌词生成、字幕脚本生成到 FFmpeg 合成 PV 的完整过程；第三，补充批量任务设计、接口调用示例、性能观察和排错清单。

1. 核心能力速览

先看一张速览表，把项目的关键信息一次性列清楚。因为该项目不是一个固定成品软件，而是“模型 API + 脚本编排 + 视频合成工具”的组合体，所以下面有些参数是配置建议，实际以你的运行环境为准。

从这张表能得出一个直接判断：这个项目的重头戏并不在显卡和显存上，而在于“工作流设计”和“提示词工程”。只要你有 API 额度，一台普通的家用电脑就能把整条链路跑通。

2. 适用场景与使用边界

2.1 谁适合用这套工作流

第一类人是音乐二次创作者。他们手里有现成的伴奏或原曲，需要快速产出不同风格的填词版本，过去要手动听歌、记节奏、押韵，现在可以用 DeepSeek 先按指定韵律和主题生成歌词草稿，再人工微调。

第二类人是短剧、短视频、混剪作者。批量准备歌词字幕文件是个体力活，尤其是几十首歌混剪成合集时，SRT 字幕文件逐个手打非常痛苦。用脚本生成可以一次性处理全部字幕，再丢给 FFmpeg 烧进视频。

第三类人是自动化流程开发者。他们并不关心写词本身，而是想把“模型生成 → 文件输出 → 视频合成”封装成一条可编程流水线，供内部工具或 Web API 调用。这套框架正好提供了一个最小实现。

2.2 不适合什么场景

这个工作流不适合追求“一次性生成完整商业级 MV”的场景。AI 生成的歌词始终是草稿，需要人工进行押韵修正和语义润色；PV 的分镜脚本也只是一个方向性参考，最终的视觉表现要靠剪辑师和素材质量决定。它更适合做“效率翻倍”而不是“完全替代”。

另外，如果你完全没有 API 访问额度，也没法申请到 Codex 或 DeepSeek 的接口 key，那本地搭建就只能用开源模型替代，效果和稳定度需要重新测试。

2.3 版权、隐私与合规边界

这里要单独提醒三点：

• 填词对象如果是已公开的歌曲，请确认原曲的授权范围和二次创作许可。不要拿商业化歌曲的伴奏直接做成商业 PV 分发。
• 如果填词内容涉及真人姓名、肖像、声音，必须获得对方授权。“李文亚教授特供版”这类标题指向明确个人时，发布前一定要确认本人知情并同意。
• 调用 API 时，不要在提示词中上传未公开的隐私数据。DeepSeek、Codex 的 API 调用记录会保留一段时间，敏感内容不要走模型生成链路。

3. 环境准备与前置条件

这套工作流的本地依赖不复杂，但每一样都建议提前装好。下面是通用检查清单，具体版本可以按你本机的实际情况调整。

3.1 基础软件清单

3.2 API Key 准备

调用 DeepSeek API 之前，先到开放平台申请 API Key，把密钥保存好，不要写死在公开仓库里。推荐的方式是写入环境变量：

export DEEPSEEK_API_KEY="sk-xxxxxx" export CODEX_API_KEY="sk-xxxxxx"

Windows PowerShell 下则是：

$env:DEEPSEEK_API_KEY="sk-xxxxxx" $env:CODEX_API_KEY="sk-xxxxxx"

然后测试一下密钥能不能正常连通：

curl https://api.deepseek.com/models \ -H "Authorization: Bearer $DEEPSEEK_API_KEY"

如果能返回模型列表，说明 API 配置完成。

3.3 安装 FFmpeg

FFmpeg 是后面合成 PV 的关键。Windows 用户可以直接下载已编译好的 release 包，把bin目录加入 PATH；macOS 用户用 Homebrew：

brew install ffmpeg

Ubuntu/Debian 用户：

sudo apt update sudo apt install ffmpeg

装完后验证：

ffmpeg -version

看到版本号输出就算成功。

3.4 创建项目目录

推荐把所有工作内容按目录隔离，方便后续批量任务管理：

mkdir -p ai-fill-lyric-pv/{lyrics,scripts,srt,music,output}

lyrics放生成歌词，scripts放分镜脚本，srt放字幕文件，music放伴奏或原曲素材，output放最终合成视频。

4. 填词 PV 工作流：从歌词到成片的链路设计

在写代码之前，先把整条链路拆清楚。一个完整的 AI 填词 PV 工作流包含五个阶段：

1. 主题解析阶段：确定填词主题、风格、韵脚、篇幅、歌曲段落结构。
2. 歌词生成阶段：调用 DeepSeek 模型生成歌词，支持多轮修改和局部重写。
3. 字幕生成阶段：把歌词按时间轴拆成字幕片段，生成 SRT 文件。
4. 分镜脚本阶段：用 Codex 生成每句歌词对应的视觉画面描述。
5. 视频合成阶段：使用 FFmpeg 把背景图/视频素材和字幕合成最终 PV。

整个链路可以用一个主控脚本串起来。下面给出一个 Python 调度的伪代码示例，展示核心调度思路：

import subprocess from pathlib import Path def run_lyric_generation(topic, style): # 调用 DeepSeek 生成歌词 # 返回原始歌词文本 pass def run_subtitle_generation(lyrics): # 把歌词按行转成 SRT 字幕 pass def run_storyboard_generation(lyrics): # 调用 Codex 生成分镜描述 pass def run_video_assembly(music_path, srt_path, output_path): # 调用 ffmpeg 生成 PV pass def main(): topic = "起舞" style = "现代流行" lyrics = run_lyric_generation(topic, style) subprocess.run(["python", "generate_srt.py", lyrics]) run_storyboard_generation(lyrics) run_video_assembly("music/input.mp3", "srt/lyrics.srt", "output/pv.mp4") if __name__ == "__main__": main()

流水线设计的关键是“每个阶段只输出标准文件格式”：歌词输出为纯文本或 JSON，字幕输出为 SRT，分镜输出为 Markdown，最后合成阶段只消费这些中间产物。这样任意一步出问题，都不需要重新跑全流程。

5. 本地调用 DeepSeek 模型进行自动填词

进入实践环节。首先演示怎么调 DeepSeek API 生成一段歌词。这里使用openaiPython SDK，因为 DeepSeek 的接口兼容 OpenAI 格式，只需要修改base_url。

5.1 安装依赖

pip install openai python-dotenv

5.2 编写填词脚本

import os from openai import OpenAI client = OpenAI( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com/v1" ) def generate_lyrics(topic: str, style: str, structure: str = "主歌-副歌-主歌-副歌-桥段-副歌"): system_prompt = ( "你是一名中文作词人，擅长现代流行歌词创作。" "歌词要押韵，要有画面感，避免空洞套话。" f"歌曲结构为：{structure}。" ) user_prompt = f"请围绕主题《{topic}》写一首{style}风格的歌词。" response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt} ], temperature=0.9, max_tokens=1024 ) return response.choices[0].message.content if __name__ == "__main__": result = generate_lyrics("起舞", "动感流行") print(result)

输出格式为完整歌词文本。从实际体验看，DeepSeek 对中文歌词的韵律把握不错，但同一段歌词里偶尔会出现“不提起舞却偏要硬塞起舞”的语义重复现象。解决方案是添加负面提示词或指定韵脚，例如要求句尾落在“ang”韵上：

user_prompt = ( f"请围绕主题《{topic}》写一首{style}风格的歌词。" "要求：副歌部分句尾统一押 ang 韵。" )

这样生成结果更可控。

5.3 判断生成质量

填词任务是否成功的判断标准有三个：

• 结构完整：主歌、副歌、桥段都存在，且长度合理。
• 押韵自然：可接受“近似韵”而非“死韵”。
• 语义一致：内容紧扣主题，没有离题发挥。

如果生成结果连续多次不满意，优先调整temperature。想要稳定可复用的输出，建议调到0.7~0.9；想要多样化的灵感草稿，可以上调到1.1。

6. Codex/脚本层：分镜、字幕与任务编排

Codex 在这个工作流里的角色不是“作词”，而是“代码生成与任务编排”。你可以让 Codex 帮你生成分镜脚本、字幕处理代码，或者直接用 Codex CLI 批量执行脚本。

6.1 用 Codex 生成分镜脚本

下面是一个通过 Codex 生成每句歌词画面描述的示例思路。假设歌词文本保存在lyrics/lyrics.txt中，Codex 的任务是读取歌词并输出storyboard.md。

codex exec \ --input lyrics/lyrics.txt \ --prompt "读取歌词文件，为每一句歌词生成对应的PV分镜画面描述，要求语言简洁、画面感强、每句画面描述不超过50字" \ --output storyboard.md

输出示例：

分镜脚本的作用主要是给剪辑阶段提供镜头方向，不需要生成具体图像素材。想进一步自动化，可以让 Codex 生成 Python 脚本，再次调用 FFmpeg 把对应背景视频片段拼接起来。

6.2 生成 SRT 字幕文件

歌词要变成 PV 上的字幕，需要转成带时间轴的 SRT 格式。可以用一段 Python 脚本处理，按每句歌词的预计时间分配时间轴：

import re from pathlib import Path lyrics = Path("lyrics/lyrics.txt").read_text(encoding="utf-8").splitlines() line_duration = 4.0 # 每句歌词显示4秒 start_time = 0.0 def format_time(seconds): millis = int((seconds - int(seconds)) * 1000) sec = int(seconds) % 60 minute = int(seconds) // 60 % 60 hour = int(seconds) // 3600 return f"{hour:02d}:{minute:02d}:{sec:02d},{millis:03d}" srt_lines = [] for idx, line in enumerate(lyrics, start=1): if not line.strip(): continue end_time = start_time + line_duration srt_lines.append(str(idx)) srt_lines.append(f"{format_time(start_time)} --> {format_time(end_time)}") srt_lines.append(line.strip()) srt_lines.append("") start_time = end_time Path("srt/lyrics.srt").write_text("\n".join(srt_lines), encoding="utf-8") print("生成完成：srt/lyrics.srt")

这只是最简版本。实际项目中如果知道每一句的实际起止时间，最好从剪辑时间线导出，而不是靠估算，否则字幕和音频会对不上。

7. FFmpeg 合成视频：从素材到 PV 成片

视频合成是整条链路的收尾阶段。假设你有一张静态封面图cover.jpg、一段背景视频bg.mp4、伴奏音轨music.mp3和字幕文件srt/lyrics.srt，可以分两步完成合成。

7.1 生成带画面的基础视频

先把背景合成到音频时长：

ffmpeg -loop 1 -i cover.jpg -i music.mp3 -c:v libx264 -tune stillimage \ -c:a aac -b:a 192k -pix_fmt yuv420p -shortest output/base.mp4

如果是动态背景视频，则直接作为视频输入：

ffmpeg -i bg.mp4 -i music.mp3 -c:v libx264 -c:a aac \ -pix_fmt yuv420p -shortest output/base_with_audio.mp4

7.2 烧录字幕

将生成的 SRT 字幕烧录到视频中：

ffmpeg -i output/base.mp4 -vf "subtitles=srt/lyrics.srt:force_style='FontSize=20,PrimaryColour=&HFFFFFF,OutlineColour=&H000000'" \ -c:v libx264 -c:a copy output/pv_packed.mp4

如果你的字幕文件路径包含中文或特殊字符，FFmpeg 的subtitles滤镜有时识别不了，更稳妥的做法是把 SRT 文件重命名为纯英文路径后再执行。

7.3 验证输出

ffprobe output/pv_packed.mp4

检查输出是否有视频流、音频流和时间长度。确认字幕逐句显示，音画同步，整个流程就算跑通。

8. 批量生产与接口 API 调用示例

单首歌词生成只是起步，真正能发挥这套流程价值的是批量任务。

8.1 批量生成歌词

假设有一个topics.json文件，里面定义了多首歌曲的主题和风格：

[ { "topic": "起舞", "style": "动感流行", "output": "lyrics/dance_lyrics.txt" }, { "topic": "晨光", "style": "清新民谣", "output": "lyrics/morning_lyrics.txt" }, { "topic": "远行", "style": "摇滚", "output": "lyrics/journey_lyrics.txt" } ]

Python 批量调用片段：

import json from pathlib import Path tasks = json.loads(Path("topics.json").read_text(encoding="utf-8")) for task in tasks: lyric = generate_lyrics(task["topic"], task["style"]) out_path = Path(task["output"]) out_path.write_text(lyric, encoding="utf-8") print(f"完成：{task['topic']} -> {out_path}")

批量场景中建议加入time.sleep(1)做请求间隔，避免触发 API 限流。

8.2 打包成 HTTP 接口

如果要把填词能力开放给其他服务调用，可以用 FastAPI 包一层 HTTP 接口。示例：

from fastapi import FastAPI from pydantic import BaseModel app = FastAPI() class LyricRequest(BaseModel): topic: str style: str @app.post("/generate_lyrics") def generate_lyrics_api(req: LyricRequest): lyric = generate_lyrics(req.topic, req.style) return {"topic": req.topic, "style": req.style, "lyrics": lyric}

启动服务：

uvicorn api_server:app --host 127.0.0.1 --port 8000

调用测试：

curl -X POST http://127.0.0.1:8000/generate_lyrics \ -H "Content-Type: application/json" \ -d '{"topic": "起舞", "style": "动感流行"}'

接口能跑通，后面就可以接到自己的编辑工具或个人网站上。按标题里的 “harness” 思路，甚至可以再挂一层调度器，把多首歌词、多个字幕任务、多个 FFmpeg 任务排队执行。

8.3 失败重试设计

批量任务最容易踩的坑是“某个任务失败，整个流程中断”。推荐每个任务包一层重试：

import time def with_retry(func, retries=3, delay=2): for attempt in range(retries): try: return func() except Exception as e: print(f"第{attempt + 1}次失败：{e}") time.sleep(delay) raise RuntimeError("重试多次仍失败") result = with_retry(lambda: generate_lyrics("起舞", "动感流行"))

日志也要加上，输出到文件而不是只打印在控制台，方便排查卡住的任务。

9. 资源占用与性能观察

9.1 本地资源占用

因为核心生成逻辑全部走 API，本地不加载大模型权重，所以 CPU、内存、显存占用都很低。日常运行只是 Python 进程 + FFmpeg 进程，内存占用通常在几百 MB 级别。唯一消耗资源的是 FFmpeg 合成视频时的编码过程，如果视频分辨率高，CPU 占用会明显上升。

观察方式：

top

或者 Windows 任务管理器里查看 Python、ffmpeg 两个进程的 CPU 和内存占用。

9.2 延迟构成

整条链路的延迟主要来自三个部分：

• DeepSeek 或 Codex 的 API 响应时间，通常在 3~10 秒之间，取决于输入长度和模型负载。
• 批量请求的排队时间，如果连续快速请求，可能触发限流导致响应变慢。
• FFmpeg 视频编码耗时，和视频分辨率、时长、编码器设置直接相关。libx264默认设置下，5 分钟左右的 1080P 视频编码耗时约 2~5 分钟。

9.3 降低耗时方向

优先调整 API 请求参数，例如减少max_tokens，把一次生成的歌词长度控制在合理范围；字幕和分镜脚本用并发请求处理而不是串行调用；视频合成时使用 GPU 加速编码（h264_nvenc或h264_videotoolbox），前提是本机有对应显卡并装好驱动。

10. 常见问题与排查方法

11. 最佳实践与合规提醒

11.1 从最小可运行配置开始

第一次跑通不要追求完整效果。先用一首短歌词、一张静态封面、一段 30 秒音频，验证 API 调用、字幕生成、FFmpeg 合成三个核心环节。确认每个环节输出正确后再扩展到批量任务。

11.2 文件目录分层管理

建议按下面的目录结构管理所有中间产物：

project/ ├── lyrics/ # 原始歌词文本 ├── srt/ # 字幕文件 ├── storyboard/ # 分镜脚本 ├── music/ # 音频素材 ├── assets/ # 背景视频或图片 ├── output/ # 最终成片 ├── logs/ # 运行日志 └── scripts/ # Python 脚本

这样跑批量任务时，每个任务只要写入独立子目录，就不会出现文件互相覆盖的问题。

11.3 合规使用提醒

再强调一次，这套工具生成的内容是草稿和辅助素材，不是最终可发布的成品。发布之前必须确认：

• 原曲素材的授权是否允许二次创作。
• 歌词内容没有违反平台内容规范。
• 涉及到真实人物的名称、肖像、声音时，已获得对方授权。
• 没有把未公开的隐私信息送入 API。

尤其像标题中“李文亚教授特供版”这种明确指向个人的创作，发布前必须经过本人确认，否则极易引发肖像权和名誉权纠纷。

11.4 保留人工审核环节

AI 生成的歌词、分镜、字幕都只能作为初稿。商业发布或正式传播前，至少要做一遍人工校对。重点检查语义是否通顺、有没有政治敏感内容、韵脚是不是自然。

12. 下一步可以怎么玩

这套 harness 工作流的潜力不止步于填词。后续可以从几个方向扩展：

• 把 DeepSeek 换成其他中文模型，对比不同模型在同一提示词下的填词风格差异。
• 接入 TTS 引擎，让 AI 生成的歌词直接变成演唱 Demo。
• 把分镜脚本接入图像生成模型，用 Midjourney 或 Stable Diffusion 批量生成 PV 画面素材。
• 用 Codex 自动生成更多 FFmpeg 滤镜组合，比如转场、特效、动态字幕样式。
• 把 HTTP 接口挂到内部工具上，做一个公司内部或社团内部的“歌词 + PV 素材一键生成面板”。

先跑通最小闭环，再按需扩展。最容易踩的坑有三个：API 密钥配置错误、SRT 时间轴偏移、批量任务无日志导致失败难定位。把这三个问题先解决，后续所有功能扩展都会顺畅很多。