用本地 AI,把一条 5 分钟英文视频做成了中文配音版

从英文转写、中文字幕、原声音色克隆，到字幕避让和最终质检：这篇文章完整复盘一条 1080P 视频的中文本地化流程。

很多人第一次做“英文视频中文化”，会以为只要完成两件事：翻译字幕、换成中文配音。

真正动手后才会发现，难点恰恰藏在细节里：专业术语容易听错；中文句长和英文不同；配音必须塞回原来的时间窗口；原视频自带的英文字幕还会与中文字幕打架；最后还要兼顾人声、环境声、字幕大小与观看体验。

这次我处理的是一条约 5 分 19 秒、1920×1080、30fps 的英文技术视频。最终完成了：

• • 英文语音自动转写与专业术语校正；
• • 中文翻译与硬字幕压制；
• • 基于原说话人的跨语言音色克隆；
• • 逐句时长匹配和音视频重新封装；
• • 中文字幕缩小、下沉，并避开原英文字幕；
• • 多时间点抽帧、时长、响度与轨道检查。

下面把全过程拆开讲。

一、先看最终问题：字幕不是“加上去”就结束了

第一版中文字幕信息完整，但字号过大，长句会遮挡人物和画面信息；开头区域还与视频原有的英文动态字幕发生重叠。

最终版采用 24px 单行字幕，将长句拆分为更短的时间片，并把中文字幕沉到画面最底部。这样既保留了原英文字幕，也不会挡住人物面部和主要视觉元素。

开头的实际对比如下。原视频的英文字幕本身位于下方偏中区域，因此中文字幕不能继续堆在同一高度。

原视频开头画面

优化后：中文字幕放在英文字幕下方

这个经验很重要：字幕布局必须基于原画面，而不是只看 SRT 文件。

二、整体工作流

整条流程可以概括为：

1. 1. 用 ffprobe 检查视频参数；
2. 2. 提取 16kHz 单声道音频；
3. 3. 使用 Whisper.cpp 转写英文并输出 SRT/JSON；
4. 4. 翻译成中文，同时人工修正专业术语；
5. 5. 从原视频截取干净的人声片段作为音色参考；
6. 6. 使用 Qwen3-TTS + MLX 在 Apple Silicon 本地克隆音色并生成中文语音；
7. 7. 将每句中文配音伸缩到原英文句子的时间区间；
8. 8. 用 FFmpeg 压制字幕、混合少量环境声并封装 MP4；
9. 9. 抽取多个时间点做视觉和音频质检。

核心原则只有一句：字幕、配音和画面都要回到同一条时间轴上。

三、第一步：检查源视频

先不要急着转写，先确认视频是否包含音轨、分辨率、帧率和总时长。

ffprobe -v error \
  -show_entries format=duration,size:stream=index,codec_type,codec_name,width,height,r_frame_rate,sample_rate,channels \
  -of json "~/Downloads/source.mp4"

后台得到的关键结果如下：

{
"video":{
"codec":"h264",
"width":1920,
"height":1080,
"frame_rate":"30/1"
},
"audio":{
"codec":"aac",
"sample_rate":48000,
"channels":2
},
"duration":319.034
}

这一步能提前发现很多问题，例如：素材只有画面没有音轨、手机视频是可变帧率、音频采样率不统一，或者源文件本身已经损坏。

四、第二步：提取音频并用 Whisper 转写

Whisper.cpp 对 16kHz、单声道、PCM WAV 的兼容性很好，因此先把音频从 MP4 中提取出来：

ffmpeg -y -i "source.mp4" \
  -vn -ar 16000 -ac 1 -c:a pcm_s16le \
"speech.wav"

然后使用英文模型转写：

whisper-cli \
  -m models/ggml-medium.en-q5_0.bin \
  -f speech.wav \
  -l en \
  -osrt -oj \
  -of transcript-en \
  -t 8

后台会连续输出带时间戳的句段：

[00:00:00.000 --> 00:00:04.940] Half of my time as DevRel is answering the same question.
[00:00:04.940 --> 00:00:07.920] What kind of finance can DeFi actually compute?
[00:00:07.920 --> 00:00:10.460] So I answered it three times at once.

模型同时生成：

• • transcript-en.srt：用于字幕时间轴；
• • transcript-en.json：便于后续脚本读取和加工。

为什么转写后还要人工校正？

技术视频里经常出现库名、算法和缩写，语音模型很容易“听起来合理，但实际上错了”。这次就出现过几类典型错误：

• • Monte Carlo 被识别成 Multi-carlo；
• • math.h 被识别成普通英文单词；
• • SLEEF、QuantLib、MKL 等库名被错误拆分；
• • integer addition 被误听成语义完全不同的词组。

所以，自动转写负责完成 90% 的体力活，最后 10% 的术语校对决定了教程是否可信。

五、第三步：翻译不是逐字替换，而是“按时间翻译”

英文和中文的表达长度差异很大。如果只做字面翻译，中文配音很可能在原句结束后还没说完。

我的处理方式是把每条字幕保存成三个字段：

开始时间<TAB>结束时间<TAB>中文文本

例如：

4.940    7.920    DeFi 到底能计算什么样的金融模型？
7.920    10.460   所以，我一次给出了三个版本的答案。

翻译时遵循三条规则：

1. 1. 技术名词准确优先，例如 DeFi、EVM、RISC-V、SciPy 不强行中文化；
2. 2. 尽量使用中文口语，而不是论文式长句；
3. 3. 在不丢失含义的前提下压缩字数，为配音留出呼吸空间。

六、第四步：用原说话人的音色生成中文配音

第一版使用的是系统普通话女声，内容虽然正确，但与原视频里的年轻男性声音差别太大。为了让成片更自然，后续改用了 Qwen3-TTS 0.6B Base 4-bit 做跨语言音色克隆。

运行环境是 Apple Silicon Mac，推理框架使用 MLX。先从原视频截取一段约 8 秒、语音清晰的参考音频：

ffmpeg -ss 0 -t 7.92 -i "source.mp4" \
  -vn -ac 1 -ar 24000 \
"reference-speaker.wav"

再加载模型并生成中文语音：

from mlx_audio.tts.utils import load_model
import numpy as np
import soundfile as sf

model = load_model(
"mlx-community/Qwen3-TTS-12Hz-0.6B-Base-4bit"
)

result = list(model.generate(
    text="我做开发者关系的时间，有一半都在回答同一个问题。",
    ref_audio="reference-speaker.wav",
    ref_text=(
"Half of my time as DevRel is answering the same question. "
"What kind of finance can DeFi actually compute?"
    ),
    lang_code="Chinese",
    temperature=0.7,
    top_p=0.9,
))[0]

sf.write("clone.wav", np.asarray(result.audio), result.sample_rate)

参考音频与中文克隆样本的波形如下。波形不能直接证明音色相同，但可以帮助检查停顿、动态范围和是否出现异常爆音。

原英文参考音频波形

音色克隆后的中文样本波形

后台进一步计算了基频中位数：原声约为 150.9Hz，克隆样本约为 134.1Hz，二者都处于相近的男性音高范围。

提醒：音色克隆应获得声音所有者授权，并明确使用场景。不要把这项技术用于冒充、欺诈或未经同意的商业传播。

七、第五步：让每句中文配音回到原时间窗口

即使音色已经接近，生成的中文语音仍不一定与原句时长完全一致。因此需要逐句测量生成音频的时长，再用 FFmpeg 的 atempo 滤镜做微调。

target = subtitle_end - subtitle_start
speed = generated_duration / target

对应的 FFmpeg 命令如下：

ffmpeg -i raw-clone.wav \
  -af "atempo=1.083,apad,atrim=0:4.940" \
  -ar 48000 -ac 1 -c:a pcm_s16le \
  fitted.wav

这里有两个细节：

• • atempo 负责调整语速，但不直接改变音高；
• • apad + atrim 确保每个片段的最终长度严格等于字幕区间。

所有片段处理完后，再通过 concat 列表拼成一条完整中文音轨。

ffmpeg -f concat -safe 0 \
  -i concat.txt \
  -c:a pcm_s16le \
  dub-zh.wav

八、第六步：保留环境声，同时尽量压掉英文人声

如果直接丢弃原音轨，成片会变得很“干”，缺少环境感；但如果把原声保留太多，英文和中文又会同时出现。

这次采用了一个轻量方案：利用立体声左右声道相减，弱化通常位于中央的英文人声，再把剩余环境声以较低音量混回中文配音。

ffmpeg -i source.mp4 -i dub-zh.wav \
  -filter_complex "
    [0:a]pan=mono|c0=0.5*c0-0.5*c1,
         volume=0.14,
         highpass=f=80,
         lowpass=f=12000[bg];
    [1:a]volume=1.12[zh];
    [bg][zh]amix=inputs=2:duration=longest:normalize=0,
             alimiter=limit=0.95[aout]
  " \
  -map 0:v:0 -map "[aout]" \
  -c:v copy -c:a aac -b:a 192k \
  output.mp4

这个方法不等于专业人声分离，但对于“人声居中、背景较轻”的素材，速度快、成本低，足以保留一点现场质感。

九、第七步：烧录中文字幕，并解决与英文字幕重叠的问题

最初的中文字幕采用 32px、多行显示。实际抽帧后发现：长句会占据画面中下部，并与原视频的英文字幕重合。

最终的优化策略是：

• • 字号缩小到 24px；
• • 每次只显示一行；
• • 长句拆成多个短时间片；
• • 底部边距设为 14px，让中文字幕落在英文字幕下方；
• • 保留 2px 黑色描边，以适应深浅变化的背景。

压制命令：

ffmpeg -i source.mp4 -i cloned-audio.mp4 \
  -vf "subtitles='subtitles-zh-compact.srt':force_style='
       FontName=PingFang SC,
       FontSize=24,
       PrimaryColour=&H00FFFFFF,
       OutlineColour=&H00101010,
       BorderStyle=1,
       Outline=2,
       Shadow=0,
       Alignment=2,
       MarginV=14'" \
  -map 0:v:0 -map 1:a:0 \
  -c:v libx264 -preset medium -crf 18 \
  -c:a copy -movflags +faststart \
  final.mp4

长句拆分使用“视觉宽度”而不是简单字符数：中文字符按 1 个单位计算，ASCII 字母按约 0.55 个单位计算。这样 QuantLib、Scikit-learn 之类的英文术语不会导致字幕过早换行。

十、最后一步：不要相信“命令执行成功”，要相信质检结果

最终成片至少做四类检查。

1. 检查文件参数

ffprobe -v error \
  -show_entries format=duration,size:stream=index,codec_type,codec_name,width,height,sample_rate,channels \
  -of json final.mp4

确认结果：

• • 时长：319.034 秒；
• • 视频：H.264，1920×1080；
• • 音频：AAC，48kHz；
• • 音视频轨道均存在。

2. 检查峰值音量

ffmpeg -i final.mp4 \
  -map 0:a:0 -af volumedetect \
  -f null -

重点查看 mean_volume 和 max_volume，避免明显削波或整体音量过低。

3. 多时间点抽帧

不要只看开头。建议至少检查：开头、技术术语密集处、中段转场、结尾 CTA。

ffmpeg -ss 3   -i final.mp4 -frames:v 1 qc-01.jpg
ffmpeg -ss 125 -i final.mp4 -frames:v 1 qc-02.jpg
ffmpeg -ss 220 -i final.mp4 -frames:v 1 qc-03.jpg
ffmpeg -ss 302 -i final.mp4 -frames:v 1 qc-04.jpg

4. 人工观看

最后仍然要完整播放一遍，重点听：

• • 句子是否被强行切断；
• • 专业名词发音是否可接受；
• • 中文配音是否提前或滞后；
• • 英文原声是否残留过多；
• • 中文字幕是否挡住人物、图表或原英文字幕。

十一、这套流程最值得复用的五个经验

1. 1. 先探测素材，再开始处理。 视频参数不统一，会把问题拖到最后。
2. 2. 转写模型不是术语审校员。 技术名词必须人工检查。
3. 3. 翻译要服从时间轴。 适合阅读的中文，不一定适合在 3 秒内说完。
4. 4. 音色接近只是第一步。 真正决定观感的是语速、停顿、音量和环境声。
5. 5. 字幕必须在真实画面上检查。 SRT 正确，不代表画面布局正确。

结语

这套方案的特点是：转写、音色克隆、配音生成和视频封装都可以在本地完成，适合技术讲解、产品介绍、课程片段和海外内容本地化。

它并不是“一键翻译视频”，而是一条可重复、可检查、可逐步优化的制作流水线。真正高质量的本地化，不是把英文换成中文，而是让中文内容像原视频本来就这样制作的一样自然。

如果你也在做英文视频中文化，建议先从 30 秒素材跑通整套流程，再扩展到完整视频。这样调试字幕、音色和语速的成本会低很多。