讓 AI 會製作字卡與剪輯影片的能力 ( Pillow / FFmpeg )

嗨，大家好，今天我們用 Pillow（圖片處理套件）和 FFmpeg（處理影音的開源專案）製作字卡，再把字卡疊進影片，兩個都免費，一人管一半。Pillow 負責把標題畫成一張透明背景的 PNG（支援透明的圖片格式）字卡，FFmpeg 負責把字卡疊進影片，再把背景音樂混進聲音軌。文章後面附一張規格清單，可以直接拿去請 AI 寫程式。

照著做完，你手上會有三個檔案，一張透明背景的 title.png，一支字卡第 1 秒出現，第 4 秒消失的 output.mp4，還有一支混進背景音樂的 final.mp4。

Pillow 是什麼，在字卡裡負責哪一段？

Pillow 是 Python（程式語言）的圖片處理套件，在影片裡負責製作字卡。官方文件說它是 PIL（Python 早期的圖片處理函式庫）的友善分支，PIL 是 Fredrik Lundh 在 1995 年發表的。

做字卡的時候，Pillow 會做這幾件事。

• 載入字型，量一行字有多寬
• 畫字，加描邊和陰影
• 存成一張透明背景的 PNG

安裝的時候套件叫 Pillow，程式裡卻是寫 from PIL import，這是沿用 PIL 的名字，兩個指的是同一套。跑下面兩行，第二行印得出版本號就裝好了。

pip install Pillow
python -c "import PIL; print(PIL.__version__)"

授權在 PyPI（Python 套件的官方下載站）標的是 MIT-CMU（一種寬鬆的開源授權）。目前最新是 13.0.0，2026 年 10 月 16 日發佈，需要 Python 3.11 以上，現在用 pip（Python 的套件安裝工具）安裝會拿到這一版。這篇的程式是在 Windows 11，Python 3.12.10，Pillow 12.2.0 跑的，13.0.0 沒有實跑過，它的版本說明列出的移除項目，沒有碰到這篇用的畫字和合成功能。

想跟這篇的環境完全一樣，安裝時改成 pip install Pillow==12.2.0。Mac 和 Linux 的字型路徑不一樣，下面的程式沒有在那兩個系統上跑過。

FFmpeg 是什麼，在影片裡負責哪些事？

FFmpeg 是處理影音的開源專案，在字卡流程裡負責影片和聲音，我們用的是它的命令列工具 ffmpeg。這篇會用到 FFmpeg 的三件事。

• 把一張風景照片做成一支 5 秒的影片
• 把字卡疊進畫面
• 把背景音樂混進原本的聲音軌

官方下載頁寫明 FFmpeg 只提供原始碼，Windows 的執行檔要從它連到的 gyan.dev（提供 Windows 版 FFmpeg 的網站）或 BtbN（另一個提供編譯好版本的開發者）下載。下載頁上最新的穩定版是 9.0.2，2026 年 9 月 18 日發佈，這篇是用 gyan.dev 的 8.1 跑的，9.0.2 沒有實跑過。

ffmpeg -version

那授權怎麼算？官方 Legal（法律授權說明）頁寫的是 LGPL（允許其他程式連結使用的開源授權）2.1 以上，用到選配的 GPL（散布時要求連原始碼一起公開的開源授權）元件時，整套 FFmpeg 都會變成 GPL。gyan.dev 的完整版執行 ffmpeg -L，印出來的是 GPL 第 3 版以上，這些授權條款管的是散布 FFmpeg 程式本身。

Pillow 和 FFmpeg 怎麼分工，讓 AI 做出字卡？

分工就是一句話，Pillow 管一張圖上的字，FFmpeg 管影片時間軸上的事，兩邊交接的只有一張透明 PNG。所以改字只要重跑 Python，改秒數或換音樂只要改 FFmpeg 指令，請 AI 改程式時也可以一次只動一邊。

整套流程拆成六步，哪一步歸誰做，對照這張表就好。

工作	誰來做	怎麼做
畫字，描邊，陰影	Pillow	畫在一張全透明的圖上，存成 PNG
字太長自動縮字	Pillow	量寬度，超過 1208 像素就縮
字卡第 1 到第 4 秒出現	FFmpeg	overlay 加 enable
混進背景音樂	FFmpeg	amix 混兩條聲音
整張字卡淡入	FFmpeg	fade 處理那張 PNG
3D 金屬字這類素材	AI 生成單張圖	驗收透明度後再疊

表上會動的效果和聲音全在 FFmpeg 那一欄，因為 Pillow 只輸出靜態圖。整張字卡淡入用的是 FFmpeg 的 fade（淡入淡出濾鏡），靜態圖要先加 -loop 1 變成一段畫面，再用 fade=in:alpha=1 只淡入透明度。

真的 3D 金屬字和官方 logo（標誌）的手繪字形，也不要用 Pillow 硬做。Pillow 官方說明寫 ImageDraw（畫圖模組）提供的是簡單的 2D 圖形，疊幾層陰影可以做出假立體，可是光源方向是固定的，做不出金屬反光。logo 就從官方原圖切下來，去背裁好，當成另一張透明圖層疊上去。

怎麼用 Pillow 做出透明字卡？

用 Pillow 做透明字卡，就是先挑字型，再量字，最後把字畫在一張全透明的圖上。這邊用 Windows 內建的微軟正黑體粗體，檔案在 C:/Windows/Fonts/msjhbd.ttc。副檔名 ttc（字型集合檔）的意思是一個檔案裡裝了好幾套字，載入時要用 index（編號）指定第幾套，可以先跑這段把它們列出來。

from PIL import ImageFont

FONT_PATH = "C:/Windows/Fonts/msjhbd.ttc"
for i in range(10):
    try:
        print(i, ImageFont.truetype(FONT_PATH, 20, index=i).getname())
    except OSError:
        break

跑完會看到兩行，0 ('Microsoft JhengHei', 'Bold') 和 1 ('Microsoft JhengHei UI', 'Bold')。0 是 Microsoft JhengHei（微軟正黑體）的粗體，1 是介面用的版本，我們用 0。

字型挑好，接著算字最寬可以到多寬。影片是 1280x720，四周留短邊的 5% 當安全邊距，720 × 0.05 = 36 像素。左右各扣 36，1280 − 72 = 1208，下面這段程式會照這個寬度，做出一張白字，黑色描邊，右下帶柔和陰影的字卡，存成 title.png。

from PIL import Image, ImageDraw, ImageFont, ImageFilter

FONT_PATH = "C:/Windows/Fonts/msjhbd.ttc"   # 微軟正黑體粗體
FONT_INDEX = 0
TEXT = "今天天氣真好"
VIDEO_W, VIDEO_H = 1280, 720
SAFE = int(min(VIDEO_W, VIDEO_H) * 0.05)    # 安全邊距 36px
MAX_W = VIDEO_W - SAFE * 2

size = 96
while True:
    font = ImageFont.truetype(FONT_PATH, size, index=FONT_INDEX)
    stroke = max(2, round(size * 0.06))
    probe = ImageDraw.Draw(Image.new("L", (1, 1)))
    l, t, r, b = probe.textbbox((0, 0), TEXT, font=font, stroke_width=stroke)
    if r - l <= MAX_W or size <= 24:
        break
    size -= 4                                # 太寬就縮字

pad = 32
card = Image.new("RGBA", (r - l + pad * 2, b - t + pad * 2), (0, 0, 0, 0))
shadow = Image.new("RGBA", card.size, (0, 0, 0, 0))
ImageDraw.Draw(shadow).text((pad - l + 6, pad - t + 6), TEXT, font=font, fill=(0, 0, 0, 160))
card = Image.alpha_composite(card, shadow.filter(ImageFilter.GaussianBlur(6)))
ImageDraw.Draw(card).text((pad - l, pad - t), TEXT, font=font, fill="white",
                          stroke_width=stroke, stroke_fill="black")
card.save("title.png")
print("字級", size, "描邊", stroke, "字卡尺寸", card.size)

跑完，終端機會印出字級 96，描邊 6，字卡尺寸 652x162，資料夾裡也多了一張 title.png。描邊抓字級的 6%，96 × 0.06 = 5.76，四捨五入成 6 像素。這邊要注意，畫字的位置要扣掉 textbbox（量文字外框的函式）回傳的左和上，因為字形本身有一點偏移，直接從 0 開始畫，字會歪幾個像素。

圖｜title.png 的背景是透明的，字的外圍有一圈黑邊

接著試試字太長的情況，我們把 TEXT（程式裡放標題文字的變數）換成 23 個字的長標題再跑一次。字級從 96 開始，每次減 4，減了 11 次，停在 52 像素，字卡變成 1266x118。

96 縮到 52，字小了將近一半，整行確實放進畫面了。字卡的 1266 比 1208 寬，是因為程式在文字四周各留了 32 像素的透明邊，文字本身 1266 − 64 = 1202 像素，還在上限內。

背景比較花的時候，白字黑描邊還是可能被吃掉，這時候可以在字後面墊一塊半透明的黑底框。下面這段用 rounded_rectangle（畫圓角矩形的函式）把同一行字畫在圓角黑底上，fill（填色參數）最後一個數字 160 是透明度，0 是全透明，255 是完全不透明。

from PIL import Image, ImageDraw, ImageFont

FONT = ImageFont.truetype("C:/Windows/Fonts/msjhbd.ttc", 72, index=0)
TEXT = "今天天氣真好"
PAD_X, PAD_Y, RADIUS = 40, 24, 24

l, t, r, b = ImageDraw.Draw(Image.new("L", (1, 1))).textbbox((0, 0), TEXT, font=FONT)
w, h = r - l + PAD_X * 2, b - t + PAD_Y * 2
card = Image.new("RGBA", (w, h), (0, 0, 0, 0))
draw = ImageDraw.Draw(card)
draw.rounded_rectangle((0, 0, w - 1, h - 1), radius=RADIUS, fill=(0, 0, 0, 160))
draw.text((PAD_X - l, PAD_Y - t), TEXT, font=FONT, fill="white")
card.save("title-box.png")
print("底框字卡尺寸", card.size)

跑完會印出底框字卡尺寸 512x112。這邊要注意，這段的字級固定是 72，沒有自動縮字，標題長的話，把前面那段量寬度的迴圈搬過來用。

怎麼用 FFmpeg 把字卡疊進影片，再混進音樂？

FFmpeg 這邊先用 overlay（疊圖濾鏡）疊字卡，再用 enable（指定作用時間的參數）指定時間。手邊沒有影片也沒關係，第一行用一張風景照片做一支 5 秒，1280x720 的影片，聲音是 FFmpeg 內建的 440 赫茲測試音，第二行才是真正把字卡疊上去的指令。

照片用的是 Wikimedia Commons（維基共享資源）上的 Lake_Mountain_Landscape.jpg，作者 Bonnie Moreland，授權是 CC0（放棄著作權的公眾領域宣告），可以商用，也不用標出處。下載 1280 寬的版本是 1280x853，crop=1280:720 會從正中間裁出 1280x720。-loop 1 讓這張照片一直重複成畫面，-t 5 截在 5 秒，換成自己的照片也可以。

ffmpeg -loop 1 -i 1280px-Lake_Mountain_Landscape.jpg -f lavfi -i sine=frequency=440:duration=5 -vf crop=1280:720 -t 5 -r 30 -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest input.mp4
ffmpeg -i input.mp4 -i title.png -filter_complex "[0:v][1:v]overlay=(W-w)/2:60:enable='between(t,1,4)'" -c:a copy output.mp4

第二行裡的 W 和 w 長得很像，意思卻不一樣。FFmpeg 官方的 overlay 說明寫明，大寫 W 和 H 是主影片的寬高，小寫 w 和 h 是疊上去那張圖的寬高。

(W-w)/2 也就是水平置中，1280 − 652 = 628，628 ÷ 2 = 314，字卡左邊從 314 像素開始，上緣離頂端 60 像素。enable='between(t,1,4)' 讓濾鏡只在第 1 到第 4 秒作用，其他時間畫面原樣通過。

跑完會得到一支 output.mp4，長度 5 秒，聲音軌還在。抽三格畫面出來看，第 0.5 秒和第 4.5 秒都沒有字卡，第 2 秒字卡置中出現在上方。聲音沒有消失，靠的是 -c:a copy，這個參數讓聲音直接複製過去，不重新編碼。

圖｜第 2 秒抽出來的畫面，字卡離上緣 60 像素，背景照片 Bonnie Moreland，CC0

黑底框的版本換一張雲多的照片來試，第二行的 title.png 換成 title-box.png，1280 − 512 = 768，768 ÷ 2 = 384，底框從 384 像素開始。

圖｜雲層亮暗不一，墊了黑底框字還是看得清楚，背景照片 www.Pixel.la Free Stock Photos，CC0

字卡疊好，再把背景音樂混進去。手邊沒有音樂檔，一樣先讓 FFmpeg 做一段 5 秒，660 赫茲的測試音當背景音樂，再用 amix（混音濾鏡）把它跟影片原本的聲音混在一起。

ffmpeg -f lavfi -i sine=frequency=660:duration=5 -c:a aac music.m4a
ffmpeg -i output.mp4 -i music.m4a -filter_complex "[0:a][1:a]amix=inputs=2:duration=first[a]" -map 0:v -map "[a]" -c:v copy -c:a aac final.mp4

-map 0:v 拿第一個檔的畫面，-map "[a]" 拿混好的聲音，-c:v copy 讓畫面直接複製不重新編碼，所以 final.mp4 第 2 秒的畫面跟 output.mp4 一格不差。

長度交給 duration=first，讓聲音跟著影片走。amix 預設是跟最長的那一條，音樂比影片長的話，聲音就會比畫面長。

這邊還有一個音量的坑。amix 預設會把每一條聲音的音量平均分攤，output.mp4 的平均音量是 −21.1 dB（分貝），混完的 final.mp4 變成 −24.1 dB，小了 3 dB。想保住原本的音量可以加 normalize=0 直接相加，實測平均是 −18.0 dB，可是最大音量也衝到 −5.4 dB，兩條聲音都很大聲時容易破音。

做字卡最常遇到哪三個錯？

這三個錯裡，有兩個程式不會停下來，一個是字變方塊，一個是先轉 RGB（不含透明度的色彩模式）再存 JPG（不支援透明的圖片格式）出現的黑框，都要打開 title.png 或疊上影片才看得到。第三個是照舊教學寫的程式直接報錯。

先看字型。字變成一排方塊，代表字型檔裡沒有那些中文字。拿 Arial（沒有中文字的英文字型）的 arial.ttf 畫重和點兩個字，出來是兩個一模一樣的空框。

換成有中文的字型，再確認 ttc 的 index 有選對就好。index 選到不存在的編號，會跳 OSError: invalid argument，路徑打錯則是 OSError: cannot open resource。

接著是存檔格式，字卡直接存成 JPG 會報錯 OSError: cannot write mode RGBA as JPEG，意思是 RGBA（含透明度的色彩模式）的圖不能存成 JPG。先轉 RGB 再存，錯是不報了，透明的地方卻全部變成黑色。拿這張 JPG 去疊影片，畫面上方會多出一塊 652x162 的黑底。

要疊影片的字卡一律存 PNG。真的需要 JPG，像是拿去當封面，就先墊一張白底再轉。

from PIL import Image

card = Image.open("title.png")
white = Image.new("RGBA", card.size, "white")
Image.alpha_composite(white, card).convert("RGB").save("title.jpg", quality=92)

還有一個錯會在照舊教學做的時候出現。網路上不少範例用 draw.textsize() 量字，這個 textsize（舊版量文字大小的函式）在 Pillow 10.0.0 已經移除，官方的 Deprecations（棄用與移除清單）有寫，在 12.2.0 跑會出現 AttributeError: 'ImageDraw' object has no attribute 'textsize'。改用 textbbox() 量寬高，只量寬度就用 textlength（量文字寬度的函式）。

請 AI 寫字卡程式時要給它哪些條件？

請 AI 寫製作字卡的程式前，先把分工和驗收方法寫成清單，程式交回來時才有東西可以一條一條對。前面的程式，也可以照這張清單請 AI 寫。

我在 被資遣後開一人公司 那篇寫過自己的分法，題目和網站長什麼樣子自己決定，寫程式和整理資料交給 AI。下面這張清單就是先把字卡長什麼樣子寫清楚，前四條是字卡程式，第五條和第六條是 FFmpeg 指令，第七條是接下來的驗收程式。

1. Pillow 只負責輸出一張透明背景的 PNG，不要碰影片
2. 字型路徑 C:/Windows/Fonts/msjhbd.ttc，index 0
3. 影片 1280x720，文字寬度不能超過 1208 像素，也就是左右各留 36 像素，太寬就自動縮字
4. 白字黑描邊，描邊約字級的 6%，右下加一層模糊陰影
5. FFmpeg 用 overlay 疊上去，水平置中，離上緣 60 像素，第 1 到第 4 秒出現，聲音直接複製
6. 背景音樂用 amix 混進原本的聲音，長度跟著影片，畫面直接複製
7. 交回程式時附驗收，字卡要是 RGBA，透明度最小 0，最大 255

AI 把程式交回來之後，疊影片之前，我們先跑這段驗收字卡。

from PIL import Image

card = Image.open("title.png")
print(card.mode, card.size)
if card.mode == "RGBA":
    print("透明度", card.getchannel("A").getextrema())

印出 RGBA (652, 162) 和 透明度 (0, 255)，代表圖裡同時有全透明和不透明的像素，是一張真的透明字卡。要是只印出 RGB 和尺寸，沒有透明度那一行，或透明度最小值不是 0，就是背景沒有透明，疊上去那一塊會變成黑底，蓋住底下的畫面。

3D 金屬字這類 Pillow 做不到的素材，可以請 AI 生成單張圖再疊上去，這一步沒有附實測，拿到圖一樣先跑上面那段驗收。

Pillow 就是一個讓你的 AI 直接寫字卡的工具

整套做法的重點有三個，字卡一律存透明背景的 PNG，疊進影片靠 overlay 加 enable 指定秒數，混音樂用 amix，要留意它預設會把音量平均分攤。規格寫成清單交給 AI，程式交回來先跑那段驗收，確認背景真的是透明的。

舉個例子，標題用前面程式裡的 TEXT，也就是今天天氣真好，畫面是 1280x720 的雪山湖景。跑一次字卡程式，資料夾裡會多一張 652x162 的 title.png，再跑 overlay 那行，字卡就從第 1 秒停到第 4 秒，最後跑 amix 那行，拿到一支混好背景音樂的 final.mp4。換下一集只要改 TEXT 那一行重跑，字型和描邊比例都跟上一集一樣。

其他用 AI 寫程式處理素材的做法會放在 AI 工具 分類，剪輯和設計軟體本身的操作放在 創作工具 分類。