做一个基于ffmpeg的AI Agent智能体

本文来自公众号“音视频小话”
原文：https://mp.weixin.qq.com/s/1Co19KAuCcyjg2E181664w

FFmpeg AI Agent：一条自然语言指令，实现一个简单音视频处理。

让用户说一句：音视频的处理要求，AI Agent帮你把活给做了。

实现比较简单，抛砖引玉，留下tools接口，可以无限扩展。

项目开源地址:

https://github.com/runner365/gollmagent

1. 主要功能

支持连接多个大模型平台：

openai
yuanbao (腾讯)
qwen (阿里)

当前支持下面一些音视频处理功能：

将多媒体文件提取音频, 转换为m4a格式
将多媒体文件转换为mp4格式, 主要为视频文件，并显示进度
合并多个多媒体文件为一个带有视频和音频的mp4文件
合并多个多媒体文件的音频为一个纯音频的m4a文件
给视频添加图片水印
给视频添加文字水印
给视频添加字幕
基于视频的I帧生成图片
在指定时刻截取视频帧

2. 如何使用

2.1 基础环境

golang开发环境
安装ffmpeg：可以系统下运行ffmpeg命令行
设置环境变量LLM_API_KEY：大模型的API_KEY，从各个大模型云厂商获取和配置你自己的API_KEY，个人测试过腾讯元宝大模型，阿里QWen大模型，OpenAI大模型

个人推荐腾讯元宝大模型，它的tools比较灵活，输入语句缺少参数信息，会有多轮对话自动提醒功能，国内的大模型网络也比较快。环境ready后，直接运行: go run gollmagent.go

系统启动一个对话命令行，可以与AI大模型继续聊天，来完成音视频处理任务。下面给出一些通过与AI大模型聊天，来处理音视频文件的例子。

2.1 转码视频

直接向AI提问，要求转码一个视频文件，并指明分辨率

用户: 请转码一个视频文件为360p，文件地址:D:\movies\src\wenjian.mp4

AI: 转码任务已启动，输出文件为 D:\movies\src\wenjian_360p.mp4，需要几分钟，请稍后。
AI:  当前进度: 7.27%，转码中，已耗时1125毫秒。
AI:  进度34.33%，转码中，已耗时5145毫秒。
AI:  进度58.13%，转码中，已耗时8650毫秒。
AI:  进度：84.95%，状态：转码中，耗时：12658毫秒
AI:  任务进度: 100.00%，转码已完成。

用户: 谢谢

AI: 不客气，有什么我可以帮你的吗？

转码完成后，可以得到一个自己想要分辨率的媒体文件。

2.2 合并多个视频

向AI提出要求，合并多个视频文件，给出文件列表。

用户: 合并多个视频文件，文件列表为: D:\movies\src.mp4, D:\movies\src.mp4, D:\movies\src.mp4

AI: 已合并视频文件，输出为 1_concat_2193.mp4。

合并完成后，AI告知合成后的媒体文件地址。

2.3 截取视频某个时刻的图片

向AI提出要求，截取某个视频某时刻一张图片

用户: 对视频文件D:\movies\src.mp4，在00:00:15截取一张图片

AI: 已截取视频帧，图片保存为2_screenshot_00_00_15.png

完成后，AI告知图片的地址。

2.4 获取视频所有IFrame的图片

向AI提出要求，截取某个视频中所有IFrame，并生成图片列表

用户: 对视频D:\movies\src.mp4的所有iframe截取图片

AI: 已从视频D:\movies\src.mp4提取I帧图片，保存在D:\movies\src_pics目录下。

完成后，AI会告诉图片的目录。目录下生成所有的iframe图片：

2.5 对视频文件加入图片水印

向AI提出要求，对某视频文件加入图片水印

用户: 对视频文件D:\movies\src.mp4添加水印:D:\movies\src\media_talk_Logo.png, 位置左上角

AI: 已为视频添加左上角水印，输出文件为1_watermarked.mp4。

AI生成新视频后，会告知新视频文件地址。

其他的一些功能(不再详细叙述)：

将多媒体文件提取音频, 转换为m4a格式
合并多个多媒体文件的音频为一个纯音频的m4a文件
给视频添加字幕

3. 扩展：动态添加新功能

AI Agent的tools功能，就是向大模型注册一个Tools列表，包含一些功能，功能映射的函数，函数需要的参数；

这里程序给出简单的注册新tools function接口，在llmproxy/tools.go中注册写的函数接口。

以注册一个图片截图功能为例。

第一步：向AI大模型注册功能，如下

func AddScreenshotAtMomentTool() *pub.ToolDefinition {
    screenshotAtMomentParams := map[string]interface{}{
        "type": "object",
        "properties": map[string]interface{}{
            "input_file": map[string]interface{}{
                "type":        "string",
                "description": "输入的视频文件路径",
            },
            "moment": map[string]interface{}{
                "type":        "string",
                "description": "截图时刻，格式为 HH:MM:SS",
            },
        },
        "required": []string{"input_file", "moment"},
    }
    tool := AddFunctionTool("screenshot_at_moment", "在指定时刻截取视频帧", screenshotAtMomentParams)
    return tool
}

func InitTools() string {
   //....
   FunctionTools = append(FunctionTools, AddScreenshotAtMomentTool())
   //...
}

第二步：实现“screenshot_at_moment”功能函数

func CreateFunctionToolsHandler() {
  //.....
  functions["screenshot_at_moment"] = ScreenshotOnePictureAtMoment
}

func ScreenshotOnePictureAtMoment(args map[string]interface{}) interface{} {
    inputFile, ok := args["input_file"].(string)
    if !ok {
        log.Errorf("invalid input_file arguments %+v", args)
        return "invalid input_file arguments"
    }
    moment, ok := args["moment"].(string)
    output := fmt.Sprintf("%s_screenshot_%02d_%02d_%02d.png", strings.TrimSuffix(filepath.Base(inputFile), filepath.Ext(inputFile)), hours, minutes, seconds)
    
    //do ffmpeg cmd job
    ffmpegcmd.ScreenshotOnePictureAtMoment(inputFile, moment, output)
    
    //返回图片文件
    return output_file    
}

只需要两步，就能注册一个新的AI Agent功能。这个开源功能很简单，仅仅是抛砖引玉。