一个端到端自动视频配乐系统。输入视频后，系统会自动提取视频语义信息，并生成与内容匹配的配乐。
本项目旨在展示端到端自动配乐的工程实现。输入视频，自动完成语义分析、音乐生成与合成，无需人工干预。
- 视频语义信息提取
- 基于语义的自动配乐生成
- 音视频合成输出
├── main.py # 项目主入口，自动配乐流程
├── main_vocal.py # 主唱生成入口
├── multiple_generation.py # 多样化生成脚本
├── requirements.txt # Python依赖
├── environment.yml # Conda环境配置
├── checkpoints/ # 预训练模型
├── data/ # 原始与处理后数据
├── models/ # 主要模型与推理脚本
├── scripts/ # 数据处理与特征提取脚本
├── src/ # 主要源码（extraction, fusion, music, training, video）
- 克隆仓库
git clone https://github.com/<你的用户名>/EmoScape.git cd EmoScape
- 安装依赖
conda env create -f environment.yml conda activate <环境名> # 或使用 pip pip install -r requirements.txt
- 运行主程序
python main.py
- 自动配乐：
python main.py - 使用原视频音频辅助：
python main_vocal.py - 使用多轮生成：
python multiple_generation.py
本项目为个人课余作品，仅供学习与展示工程能力。欢迎交流。