【AI Agent实战】不用视频生成模型,小白用小龙虾0成本生成视频

输入: Building_Your_AI_Assistant.mp4 (36MB, 英文, 带水印)
         ↓
    [ffmpeg delogo] 模糊遮盖水印
         ↓
    [whisper turbo] 识别英文语音 → SRT
         ↓
    [直接翻译] 英文 SRT → 中文 SRT → 双语 SRT
         ↓
    [ffmpeg overlay] 截取主体 + 拼接自定义片尾
         ↓
    [ffmpeg concat] 合成最终视频
         ↓
输出: Building_Your_AI_Assistant_最终版.mp4 (13MB, 双语, 带品牌片尾)

ffmpeg 是这篇文章的主角。它是一个命令行工具，一行命令能替代 90% 剪辑软件的功能。学会它你就能处理任何视频。 whisper 是 OpenAI 2022 年开源的语音识别模型，turbo 版本准确度接近 large-v3 但速度快 3 倍，完全免费，完全本地。

# 截取视频第 19 秒的画面保存为 PNG
ffmpeg -ss 19 -i input.mp4 -vframes 1 frame.png

ffmpeg -i input.mp4 -vf "delogo=x=1100:y=650:w=160:h=50" -c:a copy output.mp4

因为裁剪会改变视频尺寸（1280×720 → 1280×670），上传平台会被识别为"非标尺寸"。delogo 保持原尺寸，肉眼看就是一片轻微模糊，但不影响观看。

# 提取 16kHz 单声道 WAV（whisper 最友好的格式）
ffmpeg -i input.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wav

whisper audio.wav --model turbo --language en --output_format json --output_dir .

不要一条一条翻译。把整个 SRT 扔给 AI，让它保持时间戳不变，只替换文本行。一次对话搞定 134 条字幕翻译。 如果你不想用 AI，可以考虑 DeepL API（50 万字符/月免费）或者 Google Translate Python 库，效果都不错。

# 合并双语字幕：把 en.srt 和 zh.srt 的同一条记录拼起来
for i in range(len(en_entries)):
    idx, timing, en_text = en_entries[i]
    zh_text = zh_entries[i][2]
    # 关键：中文在第一行（下方渲染更显眼），英文在第二行
    bilingual.append(f'{idx}\n{timing}\n{zh_text}\n{en_text}\n')

"/Applications/Google Chrome.app/Contents/MacOS/Google Chrome" \
  --headless --disable-gpu --window-size=1280,720 \
  --screenshot=ending.png file://ending.html

因为我们要的是 完全可编程 的流程。HTML 改个字、换个二维码就能重新生成，不需要打开任何 GUI 软件。下次做第二个视频直接复用模板。

ffmpeg -f lavfi -i "sine=frequency=1200:duration=0.4" \
  -af "volume=0.7,aecho=0.8:0.9:60:0.3,afade=t=in:st=0:d=0.005,afade=t=out:st=0.2:d=0.2" \
  -ar 44100 -ac 1 ding.wav

# 先做一个 5 秒的音频：前面响叮声，后面是静音
ffmpeg -f lavfi -i anullsrc=r=44100:cl=mono:d=5 -i ding.wav \
  -filter_complex "[0:a][1:a]amix=inputs=2:duration=first" \
  ending-audio.wav

# 然后静态图+音频合成 5 秒视频
ffmpeg -loop 1 -i ending.png -i ending-audio.wav \
  -c:v libx264 -t 5 -pix_fmt yuv420p -r 24 \
  -c:a aac -shortest ending.mp4

ffmpeg -i input.mp4 -t 450 \
  -vf "delogo=x=1100:y=650:w=160:h=50" \
  -c:v libx264 -preset fast -c:a aac -r 24 \
  main.mp4

ffmpeg -i main.mp4 -i ending.mp4 \
  -filter_complex "[0:v][0:a][1:v][1:a]concat=n=2:v=1:a=1[v][a]" \
  -map "[v]" -map "[a]" \
  -c:v libx264 -c:a aac \
  final-no-subs.mp4

如果两段视频的编码参数不一致（比如一段是 30fps、一段是 24fps），concat 会报错或者拼接处卡顿。解决方案有两个：统一参数重编码（上一步就是这么做的）或者用 concat demuxer（适合参数已经一致的场景）。

ffmpeg -i final-no-subs.mp4 -i bilingual.srt \
  -c:v copy -c:a copy -c:s mov_text \
  -metadata:s:s:0 language=zho \
  -metadata:s:s:0 title="中英双语" \
  Building_Your_AI_Assistant_最终版.mp4

软字幕：嵌入视频容器，可开关。QuickTime/VLC/Chrome 原生支持。优点是原画质不受损、字幕可单独提取翻译。缺点是上传到抖音/视频号可能不显示（因为平台会重编码）。硬字幕：直接画在画面上，不可关闭。优点是所有平台 100% 显示。缺点是画面上多一层字幕，无法再改。 建议做双份：软字幕版自己存档和发 B 站，硬字幕版发抖音/视频号。

┌─────────────────────────────────────┐
│  1. 探测：ffprobe 看视频参数        │
│     → 尺寸、时长、音频格式          │
├─────────────────────────────────────┤
│  2. 定位：ffmpeg -ss N -vframes 1  │
│     → 截图人肉确认水印坐标          │
├─────────────────────────────────────┤
│  3. 提音：ffmpeg -vn → whisper     │
│     → 识别 → JSON → 转 SRT          │
├─────────────────────────────────────┤
│  4. 翻译：把整个 SRT 扔给 AI       │
│     → 保持时间戳、替换文本          │
│     → 合并为双语 SRT                │
├─────────────────────────────────────┤
│  5. 片尾：HTML → PNG → ending.mp4  │
│     → 叮声 sine + aecho + fade     │
├─────────────────────────────────────┤
│  6. 拼接：delogo + cut + concat    │
│     → 注意编码参数统一              │
├─────────────────────────────────────┤
│  7. 字幕：-c:s mov_text 挂载        │
│     → 软字幕可开关                  │
└─────────────────────────────────────┘

如果这篇文章对你有帮助

点个赞、收藏起来，或者转发给需要的朋友

【Agent合集】