◉ClassyGitshadowzzh

demo.py

demo.py
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
实验 5-5:论文讲解视频的自动生成(★★)

流水线(端到端自包含,无需依赖 5-4):
  1) 幻灯片:用 PIL 生成若干页带标题/要点的 PNG(模拟“论文 -> PPT”的产物),
            也可用 --slides 传入外部 JSON 替换内置示例。
  2) 讲解词:对每一页调用 gpt-5.6-luna 生成【口语化、引导性】的讲解文字
            (是叙述而非复述要点,负责承上启下);也可用 --script 直接喂入现成脚本。
  3) TTS:用 OpenAI tts-1(voice=alloy)把讲解词合成为每页的语音 mp3;
          或用 --tts-provider offline 让 ffmpeg 生成占位静音音轨(无需任何 API)。
  4) 合成:用 ffmpeg 把「每页 PNG + 该页音频」合成为分段视频(每页时长=该页音频时长),
          再用 concat 拼接为一个 output/lecture.mp4(输出路径可用 --output 指定)。
  5) 校验:用 ffprobe 打印最终 mp4 的时长/分辨率/音视频流信息。

依赖:ffmpeg / ffprobe(命令行)、Python 包见 requirements.txt。
环境变量:OPENAI_API_KEY(用 openai 供应商时必填;未配置时可用 OPENROUTER_API_KEY 兜底讲解词生成,TTS 降级为离线占位),
          可选 OPENAI_BASE_URL / TEXT_MODEL / TTS_MODEL / TTS_VOICE。
提示:想在无 API / 无网络时验证整条 ffmpeg 合成流水线,用 `python demo.py --offline`。
"""

import argparse
import json
import os
import shutil
import subprocess
import sys
import textwrap
from dataclasses import dataclass
from pathlib import Path

from PIL import Image, ImageDraw, ImageFont

try:
    from dotenv import load_dotenv

    load_dotenv()
except Exception:
    pass

# ---------------------------------------------------------------------------
# 路径与配置
# ---------------------------------------------------------------------------
ROOT = Path(__file__).resolve().parent
OUTPUT_DIR = ROOT / "output"
SLIDES_DIR = OUTPUT_DIR / "slides"
AUDIO_DIR = OUTPUT_DIR / "audio"
SEG_DIR = OUTPUT_DIR / "segments"
FINAL_MP4 = OUTPUT_DIR / "lecture.mp4"

# 默认模型/音色:优先取环境变量,命令行 --text-model 等可再覆盖。
DEFAULT_TEXT_MODEL = os.getenv("TEXT_MODEL", "gpt-5.6-luna")
DEFAULT_TTS_MODEL = os.getenv("TTS_MODEL", "tts-1")
DEFAULT_TTS_VOICE = os.getenv("TTS_VOICE", "alloy")

OPENROUTER_BASE_URL = "https://openrouter.ai/api/v1"


def map_model_to_openrouter(model: str) -> str:
    """把直连模型名映射为 OpenRouter 上的 id(非可映射 id 统一兜底到当前廉价旗舰)。"""
    if not model or "/" in model:
        return model or "openai/gpt-5.6-luna"
    m = model.lower()
    if m.startswith(("gpt-", "o1", "o3", "o4")):
        return "openai/" + model
    if m.startswith("claude"):
        if "haiku" in m:
            return "anthropic/claude-haiku-4.5"
        if "sonnet" in m:
            return "anthropic/claude-sonnet-4.6"
        return "anthropic/claude-opus-4.8"
    if m.startswith("gemini"):
        return "google/" + model
    return "openai/gpt-5.6-luna"

# 离线占位音轨的中文语速估算(字/秒),用于把讲解词长度换算成展示时长。
OFFLINE_CHARS_PER_SEC = 4.5

# 视频参数
WIDTH, HEIGHT = 1280, 720
FPS = 30

# macOS 上可用的中文字体(按优先级回退)
FONT_CANDIDATES = [
    "/System/Library/Fonts/PingFang.ttc",
    "/System/Library/Fonts/STHeiti Medium.ttc",
    "/System/Library/Fonts/Hiragino Sans GB.ttc",
    "/System/Library/Fonts/Supplemental/Arial Unicode.ttf",
]


@dataclass
class Config:
    """一次运行的可调参数(由命令行/环境变量组装)。"""

    provider: str = "openai"          # openai | offline
    text_model: str = DEFAULT_TEXT_MODEL
    tts_model: str = DEFAULT_TTS_MODEL
    tts_voice: str = DEFAULT_TTS_VOICE
    limit: "int | None" = None
    output: Path = FINAL_MP4
    slides: "list[dict] | None" = None   # 幻灯片内容(None=用内置示例)
    script: "list[str] | None" = None    # 现成讲解词(None=按需生成)


# ---------------------------------------------------------------------------
# 模拟“论文 -> PPT”的产物:每页的标题与要点。
# 这里用《Attention Is All You Need》(Transformer)作为示例论文。
# 在真实的 5-4 流程中,这些数据由 Proposer/Reviewer Agent 从论文 PDF 生成。
# 也可用 --slides your_slides.json 传入同样结构的外部数据替换本示例。
# ---------------------------------------------------------------------------
SLIDES = [
    {
        "title": "Attention Is All You Need",
        "subtitle": "Transformer:一种全新的序列建模架构",
        "bullets": [
            "Vaswani 等人,2017 年发表于 NeurIPS",
            "完全基于注意力机制,抛弃循环与卷积",
            "在机器翻译任务上取得当时最优效果",
        ],
    },
    {
        "title": "研究背景与动机",
        "subtitle": "为什么要抛弃 RNN?",
        "bullets": [
            "RNN 按时间步串行计算,难以并行",
            "长距离依赖在梯度传播中容易衰减",
            "训练大模型时的计算效率成为瓶颈",
        ],
    },
    {
        "title": "核心方法:自注意力",
        "subtitle": "Self-Attention 与多头机制",
        "bullets": [
            "用 Query / Key / Value 计算词与词的关联",
            "多头注意力从不同子空间捕捉多种关系",
            "位置编码为模型注入序列顺序信息",
        ],
    },
    {
        "title": "实验结果",
        "subtitle": "更快、更准",
        "bullets": [
            "WMT14 英德翻译 BLEU 达 28.4,创新高",
            "训练成本显著低于此前的最优模型",
            "可高度并行,充分利用 GPU 算力",
        ],
    },
    {
        "title": "总结与影响",
        "subtitle": "开启大模型时代",
        "bullets": [
            "Transformer 成为 NLP 的通用骨架",
            "催生 BERT、GPT 等预训练大模型",
            "影响扩展到视觉、语音、多模态领域",
        ],
    },
]


# ---------------------------------------------------------------------------
# 工具函数
# ---------------------------------------------------------------------------
def load_font(size: int) -> ImageFont.FreeTypeFont:
    """按候选列表加载一个可用字体(支持中文)。"""
    for path in FONT_CANDIDATES:
        if os.path.exists(path):
            try:
                return ImageFont.truetype(path, size)
            except Exception:
                continue
    return ImageFont.load_default()


def run(cmd: list) -> str:
    """执行命令并返回 stdout,失败则抛出异常并打印 stderr。"""
    proc = subprocess.run(cmd, capture_output=True, text=True)
    if proc.returncode != 0:
        raise RuntimeError(
            f"命令失败: {' '.join(cmd)}\nSTDERR:\n{proc.stderr}"
        )
    return proc.stdout


def ffprobe_duration(path: Path) -> float:
    """用 ffprobe 读取媒体文件时长(秒)。缺少时长元数据时 ffprobe 输出 N/A,给出清晰报错。"""
    out = run(
        [
            "ffprobe", "-v", "error",
            "-show_entries", "format=duration",
            "-of", "default=noprint_wrappers=1:nokey=1",
            str(path),
        ]
    )
    out = out.strip()
    if not out or out == "N/A":
        raise RuntimeError(f"ffprobe 无法读取时长(文件缺少时长元数据或不是音视频文件):{path}")
    return float(out)


def load_slides_file(path: Path) -> list:
    """从 JSON 文件加载幻灯片内容([{title, subtitle, bullets}, ...])。"""
    data = json.loads(path.read_text(encoding="utf-8"))
    if not isinstance(data, list) or not data:
        sys.exit(f"[错误] --slides 文件应是非空的 JSON 列表:{path}")
    for i, s in enumerate(data):
        if not all(k in s for k in ("title", "subtitle", "bullets")):
            sys.exit(f"[错误] --slides 第 {i + 1} 项缺少 title/subtitle/bullets 字段。")
    return data


def load_script_file(path: Path) -> list:
    """从 JSON 文件加载现成讲解词(每页一段的字符串列表)。"""
    data = json.loads(path.read_text(encoding="utf-8"))
    if not isinstance(data, list) or not all(isinstance(x, str) for x in data):
        sys.exit(f"[错误] --script 文件应是 JSON 字符串列表(每页一段):{path}")
    return data


# ---------------------------------------------------------------------------
# 步骤 1:渲染幻灯片 PNG
# ---------------------------------------------------------------------------
def render_slide(slide: dict, index: int, total: int) -> Path:
    """把一页幻灯片渲染为 1280x720 的 PNG。"""
    img = Image.new("RGB", (WIDTH, HEIGHT), color=(23, 32, 56))  # 深蓝底
    draw = ImageDraw.Draw(img)

    title_font = load_font(58)
    subtitle_font = load_font(34)
    bullet_font = load_font(32)
    footer_font = load_font(22)

    # 顶部装饰条
    draw.rectangle([0, 0, WIDTH, 12], fill=(88, 166, 255))

    # 标题(超宽自动换行)
    y = 90
    for line in textwrap.wrap(slide["title"], width=22):
        draw.text((90, y), line, font=title_font, fill=(255, 255, 255))
        y += 72

    # 副标题
    y += 6
    draw.text((90, y), slide["subtitle"], font=subtitle_font, fill=(88, 166, 255))
    y += 70

    # 要点
    for bullet in slide["bullets"]:
        draw.ellipse([94, y + 14, 110, y + 30], fill=(88, 166, 255))
        for j, line in enumerate(textwrap.wrap(bullet, width=30)):
            draw.text((130, y), line, font=bullet_font, fill=(220, 226, 240))
            y += 44
        y += 16

    # 页脚:页码
    footer = f"第 {index + 1} / {total} 页"
    draw.text((90, HEIGHT - 50), footer, font=footer_font, fill=(120, 132, 160))

    path = SLIDES_DIR / f"slide_{index + 1:02d}.png"
    img.save(path)
    return path


# ---------------------------------------------------------------------------
# 步骤 2:为每页生成口语化讲解词
# ---------------------------------------------------------------------------
def offline_narration(slide: dict) -> str:
    """离线占位讲解词:不调用 LLM,用副标题+要点拼出一段可读文本(供占位音轨估时)。"""
    return f"{slide['subtitle']}。" + ";".join(slide["bullets"]) + "。"


def generate_narration(client, cfg: Config, slide: dict, index: int, total: int) -> str:
    """调用文本模型(默认 gpt-5.6-luna),为当前页生成口语化、引导性的讲解文字。"""
    position = (
        "这是开场第一页,请自然地引入主题" if index == 0
        else "这是最后一页,请做收尾总结" if index == total - 1
        else "这是中间页,请与上一页自然衔接、承上启下"
    )
    prompt = (
        "你是一位科普讲师,正在为一段论文讲解视频配音。\n"
        f"当前是第 {index + 1}/{total} 页幻灯片。{position}。\n\n"
        f"幻灯片标题:{slide['title']}\n"
        f"副标题:{slide['subtitle']}\n"
        f"要点:\n- " + "\n- ".join(slide["bullets"]) + "\n\n"
        "请生成这一页的口语化讲解词,要求:\n"
        "1) 是引导性的口语叙述,而不是逐条复述要点;\n"
        "2) 自然流畅、有过渡,像真人讲课;\n"
        "3) 长度控制在 3~4 句话(约 70~110 字);\n"
        "4) 只输出讲解词正文,不要任何前后缀、标题或列表符号。"
    )
    # 推理模型(gpt-5 / o 系列等)可能不接受自定义 temperature,统一置 1。
    _reasoning = any(k in (cfg.text_model or "").lower()
                     for k in ("gpt-5", "o1", "o3", "o4", "thinking", "reasoner", "kimi-k3"))
    resp = client.chat.completions.create(
        model=cfg.text_model,
        messages=[{"role": "user", "content": prompt}],
        temperature=1 if _reasoning else 0.7,
    )
    return resp.choices[0].message.content.strip()


# ---------------------------------------------------------------------------
# 步骤 3:TTS 合成语音
# ---------------------------------------------------------------------------
def synthesize_openai(client, cfg: Config, text: str, index: int) -> Path:
    """用 OpenAI tts-1 把讲解词合成为 mp3。"""
    path = AUDIO_DIR / f"audio_{index + 1:02d}.mp3"
    # 使用流式写盘接口,避免把整段音频读进内存
    with client.audio.speech.with_streaming_response.create(
        model=cfg.tts_model,
        voice=cfg.tts_voice,
        input=text,
    ) as response:
        response.stream_to_file(str(path))
    return path


def synthesize_offline(text: str, index: int) -> Path:
    """离线占位 TTS:用 ffmpeg 生成一段“静音” mp3,时长按讲解词字数估算。

    这样无需任何 API/网络即可跑通「渲染 -> 估时 -> ffmpeg 合成」全链路,
    用于验证 ffmpeg 逐页对齐与拼接是否正确(音轨为静音占位,非真实配音)。
    """
    path = AUDIO_DIR / f"audio_{index + 1:02d}.mp3"
    duration = max(2.0, len(text) / OFFLINE_CHARS_PER_SEC)
    run(
        [
            "ffmpeg", "-y",
            "-f", "lavfi",
            "-i", "anullsrc=channel_layout=mono:sample_rate=24000",
            "-t", f"{duration:.3f}",
            "-c:a", "libmp3lame", "-q:a", "9",
            str(path),
        ]
    )
    return path


def synthesize_speech(client, cfg: Config, text: str, index: int) -> Path:
    """按供应商合成一段语音音频。"""
    if cfg.provider == "offline":
        return synthesize_offline(text, index)
    return synthesize_openai(client, cfg, text, index)


# ---------------------------------------------------------------------------
# 步骤 4:ffmpeg 合成
# ---------------------------------------------------------------------------
def build_segment(png: Path, mp3: Path, index: int, duration: float) -> Path:
    """把「一页 PNG + 该页音频」合成为一段 mp4。

    用 -t 把整段时长精确锁定为该页音频时长,保证“每页展示时间与语音时长精确匹配”
    (仅靠 -loop + -shortest 会让静态图轨比音频多出约 1~2 秒)。
    """
    out = SEG_DIR / f"seg_{index + 1:02d}.mp4"
    run(
        [
            "ffmpeg", "-y",
            "-loop", "1", "-i", str(png),      # 静态图片循环作为视频轨
            "-i", str(mp3),                     # 该页音频
            "-c:v", "libx264", "-tune", "stillimage",
            "-pix_fmt", "yuv420p",
            "-r", str(FPS),
            "-vf", f"scale={WIDTH}:{HEIGHT}",
            "-c:a", "aac", "-b:a", "192k",
            "-t", f"{duration:.3f}",            # 精确锁定为音频时长
            str(out),
        ]
    )
    return out


def concat_segments(segments: list, output: Path) -> Path:
    """用 concat demuxer 把各分段无损拼接为最终 mp4。"""
    list_file = SEG_DIR / "concat.txt"
    list_file.write_text(
        "".join(f"file '{seg.name}'\n" for seg in segments), encoding="utf-8"
    )
    output.parent.mkdir(parents=True, exist_ok=True)
    run(
        [
            "ffmpeg", "-y",
            "-f", "concat", "-safe", "0",
            "-i", str(list_file),
            "-c", "copy",
            str(output),
        ]
    )
    return output


# ---------------------------------------------------------------------------
# 自检(不产生任何 API 调用):检查外部命令与关键配置是否就绪。
# ---------------------------------------------------------------------------
def self_check(cfg: Config) -> int:
    """快速自检 ffmpeg/ffprobe、中文字体与关键环境变量,返回退出码。"""
    ok = True
    print("=== 环境自检(不调用任何 API)===")

    for tool in ("ffmpeg", "ffprobe"):
        found = shutil.which(tool)
        print(f"  {'[OK]' if found else '[缺失]'} {tool}: {found or '未找到,请安装 ffmpeg'}")
        ok = ok and bool(found)

    font = next((p for p in FONT_CANDIDATES if os.path.exists(p)), None)
    print(f"  {'[OK]' if font else '[回退]'} 中文字体: {font or '未找到系统中文字体,将回退默认字体'}")

    key_set = bool(os.getenv("OPENAI_API_KEY"))
    or_set = bool(os.getenv("OPENROUTER_API_KEY"))
    if cfg.provider == "offline":
        print("  [OK] 供应商: offline(占位静音音轨,无需 OPENAI_API_KEY)")
    else:
        print(f"  {'[OK]' if (key_set or or_set) else '[缺失]'} OPENAI_API_KEY: {'已设置' if key_set else '未设置'}"
              f"  OPENROUTER_API_KEY(兜底): {'已设置' if or_set else '未设置'}"
              + ("" if key_set else "  ← 无直连 key 时讲解词走 OpenRouter、TTS 降级为离线占位"))
    print(f"  [配置] provider={cfg.provider}  TEXT_MODEL={cfg.text_model}  "
          f"TTS_MODEL={cfg.tts_model}  TTS_VOICE={cfg.tts_voice}")
    print(f"  [配置] OPENAI_BASE_URL={os.getenv('OPENAI_BASE_URL') or '(官方默认)'}")
    print(f"  [配置] 幻灯片页数={len(cfg.slides or SLIDES)}  输出={cfg.output}")

    print("自检" + ("通过。" if ok else "未通过:请先安装缺失的命令行工具。"))
    return 0 if ok else 1


# ---------------------------------------------------------------------------
# 主流程
# ---------------------------------------------------------------------------
def main(cfg: Config) -> None:
    online = cfg.provider != "offline"
    need_llm = cfg.script is None and online  # 未给脚本且非离线时才调用 LLM 生成讲解词

    # 文本(讲解词)与 TTS 用两个客户端:OpenAI 语音接口不在 OpenRouter 上,
    # 因此 TTS 必须走直连 OPENAI_API_KEY;讲解词文本则可享受通用 OpenRouter 兜底。
    client = None       # 文本/讲解词客户端
    tts_client = None   # TTS 客户端(仅直连 OpenAI)
    if online:
        api_key = os.getenv("OPENAI_API_KEY")
        base_url = os.getenv("OPENAI_BASE_URL") or None
        orkey = os.getenv("OPENROUTER_API_KEY")
        if not (api_key or orkey):
            sys.exit("[错误] 未设置 OPENAI_API_KEY(或 OPENROUTER_API_KEY 兜底),请复制 env.example 为 .env 并填入;"
                     "或用 --offline 在无 API 时验证合成流水线。")
        from openai import OpenAI  # 延迟导入:--offline 时无需安装/联网 openai

        # 文本客户端:无直连 key,或默认 gpt-5.x(直连需组织实名认证)时改走 OpenRouter。
        prefer_or = bool(orkey) and (cfg.text_model or "").lower().startswith("gpt-5")
        if prefer_or or (not api_key and orkey):
            client = OpenAI(api_key=orkey, base_url=OPENROUTER_BASE_URL, timeout=120.0, max_retries=3)
            cfg.text_model = map_model_to_openrouter(cfg.text_model)
        else:
            client = OpenAI(base_url=base_url, timeout=120.0, max_retries=3)

        # TTS 客户端:只能用直连 OPENAI_API_KEY;缺失则音频降级为离线静音占位
        #(讲解词仍由文本客户端真实生成)。
        if api_key:
            tts_client = OpenAI(base_url=base_url, timeout=120.0, max_retries=3)
        else:
            print("[提示] 未配置直连 OPENAI_API_KEY,OpenAI TTS 不在 OpenRouter 上;"
                  "音频改用离线静音占位(讲解词仍由 OpenRouter 真实生成)。\n")
            cfg.provider = "offline"

    for d in (SLIDES_DIR, AUDIO_DIR, SEG_DIR):
        d.mkdir(parents=True, exist_ok=True)

    all_slides = cfg.slides or SLIDES
    # --limit / --quick:只处理前 N 页,便于快速冒烟测试(减少 API 调用与耗时)。
    slides = all_slides[:cfg.limit] if cfg.limit else all_slides
    total = len(slides)

    if cfg.script is not None and len(cfg.script) < total:
        sys.exit(f"[错误] --script 提供了 {len(cfg.script)} 段,少于要处理的 {total} 页。")

    segments = []
    manifest = []

    tag = f"(限 {total}/{len(all_slides)} 页)" if cfg.limit else f"(共 {total} 页)"
    mode = "离线占位" if not online else f"{cfg.provider}/{cfg.tts_model}"
    print(f"=== 论文讲解视频自动生成{tag}[{mode}] ===\n")

    for i, slide in enumerate(slides):
        print(f"[{i + 1}/{total}] {slide['title']}")

        # 1) 渲染幻灯片
        png = render_slide(slide, i, total)
        print(f"    幻灯片: {png.relative_to(ROOT)}")

        # 2) 讲解词:优先用传入脚本,其次 LLM 生成,离线则用占位文本
        if cfg.script is not None:
            narration = cfg.script[i].strip()
        elif need_llm:
            narration = generate_narration(client, cfg, slide, i, total)
        else:
            narration = offline_narration(slide)
        print(f"    讲解词: {narration}")

        # 3) TTS 合成语音(openai 真配音走直连 tts_client / offline 静音占位)
        mp3 = synthesize_speech(tts_client, cfg, narration, i)
        dur = ffprobe_duration(mp3)
        print(f"    音频:   {mp3.relative_to(ROOT)}  时长 {dur:.2f}s")

        # 4) 合成分段视频
        seg = build_segment(png, mp3, i, dur)
        segments.append(seg)
        manifest.append(
            {"page": i + 1, "narration": narration,
             "audio": str(mp3.relative_to(ROOT)), "audio_seconds": round(dur, 2)}
        )
        print()

    # 5) 拼接为最终视频
    print("=== 拼接为最终视频 ===")
    concat_segments(segments, cfg.output)

    audio_total = sum(m["audio_seconds"] for m in manifest)
    video_total = ffprobe_duration(cfg.output)

    # 保存讲解词清单,便于查看
    (OUTPUT_DIR / "narration.json").write_text(
        json.dumps(manifest, ensure_ascii=False, indent=2), encoding="utf-8"
    )

    print(f"各页音频总时长: {audio_total:.2f}s")
    print(f"最终视频时长:   {video_total:.2f}s")
    try:
        shown = cfg.output.relative_to(ROOT)
    except ValueError:
        shown = cfg.output
    print(f"输出文件:       {shown}")
    print("\n完成。可用以下命令查看视频元信息:")
    print(f"  ffprobe -v error -show_format -show_streams {cfg.output}")


def parse_args() -> argparse.Namespace:
    """解析命令行参数。"""
    parser = argparse.ArgumentParser(
        description="论文讲解视频自动生成:讲解词生成 -> TTS -> ffmpeg 逐页合成。",
        formatter_class=argparse.RawDescriptionHelpFormatter,
        epilog=(
            "示例:\n"
            "  python demo.py                       # 生成全部 5 页的完整讲解视频(需 OPENAI_API_KEY)\n"
            "  python demo.py --quick               # 只跑第 1 页,快速冒烟测试\n"
            "  python demo.py --limit 2             # 只跑前 2 页\n"
            "  python demo.py --offline             # 无需 API:占位静音音轨,验证整条 ffmpeg 流水线\n"
            "  python demo.py --slides my.json      # 用外部幻灯片内容替换内置示例\n"
            "  python demo.py --script narr.json    # 用现成讲解词脚本,跳过 LLM 生成\n"
            "  python demo.py -o out/talk.mp4       # 指定最终视频输出路径\n"
            "  python demo.py --check               # 仅环境自检,不调用任何 API"
        ),
    )
    parser.add_argument(
        "--limit", type=int, default=None, metavar="N",
        help="只处理前 N 页幻灯片(快速测试,显著减少 API 调用与耗时)",
    )
    parser.add_argument(
        "--quick", action="store_true",
        help="快速测试:等价于 --limit 1",
    )
    parser.add_argument(
        "--slides", type=Path, default=None, metavar="FILE",
        help="幻灯片内容 JSON 文件([{title,subtitle,bullets}, ...]);默认用内置示例",
    )
    parser.add_argument(
        "--script", type=Path, default=None, metavar="FILE",
        help="现成讲解词 JSON 文件(字符串列表,每页一段);提供后跳过 LLM 讲解词生成",
    )
    parser.add_argument(
        "-o", "--output", type=Path, default=FINAL_MP4, metavar="FILE",
        help=f"最终讲解视频输出路径(默认 {FINAL_MP4.relative_to(ROOT)})",
    )
    parser.add_argument(
        "--tts-provider", choices=("openai", "offline"), default="openai",
        help="TTS 供应商:openai=真实配音(需 API);offline=ffmpeg 生成占位静音音轨(无需 API)",
    )
    parser.add_argument(
        "--offline", action="store_true",
        help="完全离线:等价于 --tts-provider offline,且用要点占位讲解词(无任何 API 调用)",
    )
    parser.add_argument(
        "--text-model", default=DEFAULT_TEXT_MODEL, metavar="NAME",
        help=f"讲解词生成模型(默认 {DEFAULT_TEXT_MODEL},或环境变量 TEXT_MODEL)",
    )
    parser.add_argument(
        "--tts-model", default=DEFAULT_TTS_MODEL, metavar="NAME",
        help=f"TTS 模型(默认 {DEFAULT_TTS_MODEL},或环境变量 TTS_MODEL)",
    )
    parser.add_argument(
        "--tts-voice", default=DEFAULT_TTS_VOICE, metavar="NAME",
        help=f"TTS 音色(默认 {DEFAULT_TTS_VOICE},可选 nova/shimmer/echo 等)",
    )
    parser.add_argument(
        "--check", action="store_true",
        help="环境自检(检查 ffmpeg/ffprobe/字体/配置)后退出,不产生任何 API 调用",
    )
    return parser.parse_args()


def build_config(args: argparse.Namespace) -> Config:
    """把命令行参数组装成 Config。"""
    limit = 1 if args.quick else args.limit
    if limit is not None and limit < 1:
        sys.exit("[错误] --limit 必须为正整数。")

    provider = "offline" if args.offline else args.tts_provider
    slides = load_slides_file(args.slides) if args.slides else None
    script = load_script_file(args.script) if args.script else None

    return Config(
        provider=provider,
        text_model=args.text_model,
        tts_model=args.tts_model,
        tts_voice=args.tts_voice,
        limit=limit,
        output=args.output,
        slides=slides,
        script=script,
    )


if __name__ == "__main__":
    args = parse_args()
    cfg = build_config(args)
    if args.check:
        sys.exit(self_check(cfg))
    main(cfg)