0 成本视频处理全流程：ffmpeg + whisper 实现去水印、双语字幕、品牌片尾 | 实战SOP

不用 Sora，不用剪映会员，不用任何视频生成大模型。一个 7 分 40 秒的英文教程视频，15 分钟完成：去水印 → 英文识别 → 中文翻译 → 双语字幕 → 品牌片尾替换 → 叮声音效合成。全程命令行。

---

目录

• 一、技术背景
• 二、环境准备
• 三、去水印：ffmpeg delogo 滤镜
• 四、语音识别：whisper turbo
• 五、翻译与双语字幕合并
• 六、自定义片尾合成
• 七、主视频处理与拼接
• 八、软字幕挂载
• 九、完整 SOP 与踩坑记录
• 十、常见问题

---

一、技术背景

需求场景

手头有一个视频，需要同时完成四件事：

1. 去除右下角的 NotebookLM 水印
2. 生成中英双语字幕（视频是英文内容，目标受众是中文）
3. 替换结尾为自定义品牌片尾（带二维码、提示音）
4. 保持原画质和音频无损

为什么不用剪辑软件

方案	问题
剪映/Premiere/DaVinci	GUI 操作，无法脚本化；字幕一句一句对齐费时；不可复用
Sora/Runway 等视频生成模型	这些是"创造"视频的，不是"处理"视频的，用错方向
在线去水印网站	有水印残留、上传限制、隐私风险
ffmpeg + whisper（本方案）	免费、开源、可脚本化、100% 本地运行、可嵌入 Agent 工作流

核心工具栈

输入视频 (MP4)
    ↓
┌─────────────────────────────────┐
│  ffmpeg delogo     → 去水印     │
│  ffmpeg extract    → 抽音频     │
│  whisper turbo     → 语音识别   │
│  AI / DeepL        → 翻译       │
│  ffmpeg generate   → 片尾合成   │
│  ffmpeg concat     → 拼接       │
│  ffmpeg mov_text   → 软字幕挂载 │
└─────────────────────────────────┘
    ↓
最终视频 (MP4 + 双语字幕流)

---

二、环境准备

安装依赖

# macOS
brew install ffmpeg
pip3 install openai-whisper

# Ubuntu/Debian
sudo apt-get install ffmpeg
pip3 install openai-whisper

# Windows（推荐用 WSL2，原生 ffmpeg 配置复杂）
# 或直接从 https://www.gyan.dev/ffmpeg/builds/ 下载静态编译版

验证环境

ffmpeg -version
whisper --help

可选：GPU 加速

Whisper 默认使用 CPU，如果有 NVIDIA GPU，安装 PyTorch CUDA 版本可以加速 3-5 倍：

pip3 install torch --index-url https://download.pytorch.org/whl/cu121

---

三、去水印：ffmpeg delogo 滤镜

原理

delogo 滤镜通过周围像素插值，填补指定矩形区域。原理类似于图像修复（inpainting），用邻域像素的梯度平滑过渡。

视觉效果：水印区域变成轻微模糊的色块，肉眼可察但不影响观看。

Step 1：定位水印坐标

# 提取视频第 N 秒的一帧，用于确认水印位置
ffmpeg -ss 19 -i input.mp4 -vframes 1 frame.png

用系统预览工具打开 frame.png，测量水印坐标。本案例视频为 1280×720，NotebookLM 水印位于右下角：

左上角: (x=1100, y=650)
宽高:   w=160, h=50

Step 2：应用 delogo 滤镜

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

参数说明

参数	作用
-vf	video filter，只处理视频流
delogo=x=X:y=Y:w=W:h=H	指定去水印区域
-c:a copy	音频直接复制，不重编码（节省时间 10x+）

为什么不用裁剪

crop 滤镜会改变视频尺寸（1280×720 → 1280×670），上传平台会被识别为"非标尺寸"，导致平台二次转码降低质量。delogo 保持原尺寸，兼容性更好。

delogo 的局限

• 如果水印占比过大（超过 10% 画面），模糊区域会非常明显
• 如果水印是动态移动的，需要用 enable='between(t,0,5)' 分段处理
• 对于透明度很高的水印，效果一般（这种情况下可以先用 unsharp 加锐化再去）

---

四、语音识别：whisper turbo

为什么选 turbo

Whisper 官方模型对比：

模型	参数量	速度（7分钟视频）	WER（英文）	下载大小
tiny	39M	~30s	9.5%	75MB
base	74M	~45s	7.8%	142MB
small	244M	~2min	5.5%	466MB
medium	769M	~4min	4.1%	1.5GB
large-v3	1550M	~10min	3.2%	3GB
turbo	809M	~5min	3.5%	1.5GB

turbo 是目前最佳平衡点：接近 large-v3 的准确度，速度接近 small。

Step 1：提取音频

ffmpeg -i input.mp4 \
  -vn \
  -acodec pcm_s16le \
  -ar 16000 \
  -ac 1 \
  audio.wav

参数	作用
-vn	丢弃视频流
-acodec pcm_s16le	16-bit PCM 无损
-ar 16000	采样率 16kHz（whisper 内部采样率，避免重采样）
-ac 1	单声道

Step 2：运行 whisper

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

第一次运行会下载模型（1.5GB），模型缓存到 ~/.cache/whisper/。之后秒起。

Step 3：JSON 转 SRT

whisper 的 JSON 输出包含每段的精确时间戳：

import json

def ts(s):
    """秒数转 SRT 时间戳格式：HH:MM:SS,mmm"""
    h = int(s // 3600)
    m = int((s % 3600) // 60)
    sec = s % 60
    return f'{h:02d}:{m:02d}:{sec:06.3f}'.replace('.', ',')

with open('audio.json') as f:
    data = json.load(f)

lines = []
for i, seg in enumerate(data['segments'], 1):
    text = seg['text'].strip()
    lines.append(f'{i}\n{ts(seg["start"])} --> {ts(seg["end"])}\n{text}\n')

with open('en.srt', 'w', encoding='utf-8') as f:
    f.write('\n'.join(lines))

print(f'生成 {len(data["segments"])} 条字幕')

whisper 常见问题

问题	解决方案
中英混合识别不准	用 large-v3 而不是 turbo，或拆分场景分别识别
专业术语错译	用 --initial_prompt "LLM, token, context, agent" 提供领域词表
背景噪音大	先用 ffmpeg -af "afftdn" 做降噪再识别
识别时间戳偏移	用 --word_timestamps True 获取更精细时间戳

---

五、翻译与双语字幕合并

翻译方案对比

方案	优点	缺点
大模型 API（GPT-4/Claude）	上下文理解好、术语准	付费（小量约 $0.1/视频）
DeepL API	译质高	免费额度 500K 字符/月
Google Translate Python 库	免费	有时被 rate limit
本地 LLM（Llama/Qwen）	零成本	长文本翻译慢

推荐方案：直接把整个 en.srt 扔给 AI 对话窗口，要求保持时间戳不变、只替换文本行。一次对话处理几百条字幕。

Prompt 模板

请将下面的英文 SRT 字幕翻译为中文。要求：

1. 保持 SRT 格式（编号、时间戳完全不变）
2. AI 领域术语保留英文并加中文解释，如 "LLM（大语言模型）"
3. 翻译要自然，不要字面翻译
4. 保持每条字幕简短（手机屏幕友好）

原文：
[粘贴 en.srt 内容]

合并双语字幕

import re

def parse_srt(path):
    with open(path, encoding='utf-8') as f:
        content = f.read()
    entries = []
    for block in content.strip().split('\n\n'):
        lines = block.strip().split('\n')
        if len(lines) >= 3:
            idx, timing = lines[0], lines[1]
            text = '\n'.join(lines[2:])
            entries.append((idx, timing, text))
    return entries

en = parse_srt('en.srt')
zh = parse_srt('zh.srt')

bilingual = []
for i in range(len(en)):
    idx, timing, en_text = en[i]
    zh_text = zh[i][2] if i < len(zh) else ''
    # 中文在第一行（渲染时在下方更显眼），英文在第二行
    bilingual.append(f'{idx}\n{timing}\n{zh_text}\n{en_text}\n')

with open('bilingual.srt', 'w', encoding='utf-8') as f:
    f.write('\n'.join(bilingual))

双语字幕显示效果

1
00:00:02,000 --> 00:00:05,000
在这个视频中我们会构建一个 AI 助手
In this video we're building an AI assistant

播放器会按行顺序渲染，视觉上形成"上中文下英文"的双语效果。

---

六、自定义片尾合成

Step 1：HTML 生成片尾图

用 HTML + Chrome headless，好处是完全可编程——改字、换二维码、换配色都只改 CSS，不需要打开任何 GUI 工具。

ending.html 示例结构：

<!DOCTYPE html>
<html>
<head>
<style>
  body { margin: 0; width: 1280px; height: 720px; 
         background: linear-gradient(135deg, #0a0f1a, #1a3260);
         display: flex; flex-direction: column; align-items: center;
         justify-content: center; font-family: PingFang SC; }
  h1 { color: #fff; font-size: 72px; }
  h2 { color: #60a5fa; font-size: 36px; }
  .qr { width: 240px; margin-top: 40px; }
</style>
</head>
<body>
  <h1>一深思AI</h1>
  <h2>DEEPTHINK AI</h2>
  <img class="qr" src="qrcode.png">
  <p style="color:#94a3b8;margin-top:30px;">关注获取更多 AI 硬核知识</p>
</body>
</html>

渲染为 PNG：

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

Step 2：生成"叮"提示音

用 ffmpeg 的 lavfi 虚拟设备生成正弦波：

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

音频滤镜拆解：

滤镜	作用
sine=frequency=1200:duration=0.4	生成 1200Hz 正弦波，时长 0.4 秒
volume=0.7	音量 70%，避免爆音
aecho=0.8:0.9:60:0.3	回声：输入增益 0.8，输出增益 0.9，延迟 60ms，衰减 0.3
afade=t=in:st=0:d=0.005	前 5ms 淡入，避免爆音
afade=t=out:st=0.2:d=0.2	0.2 秒开始淡出 0.2 秒，铃铛尾音

Step 3：静态图 + 音频合成 5 秒片尾视频

# 3.1 先合成 5 秒音频（前置叮声 + 静音填充）
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:dropout_transition=0" \
  -ar 44100 -ac 1 \
  ending-audio.wav

# 3.2 静态图 loop 成 5 秒视频 + 配音频
ffmpeg -loop 1 -i ending.png \
  -i ending-audio.wav \
  -c:v libx264 -t 5 -pix_fmt yuv420p -r 24 \
  -vf "scale=1280:720" \
  -c:a aac -b:a 128k \
  -shortest \
  ending.mp4

关键参数	作用
-loop 1	单张图片循环
-t 5	限制输出时长 5 秒
-pix_fmt yuv420p	兼容几乎所有播放器的像素格式
-r 24	固定帧率 24fps（与主视频一致）
-shortest	以最短流为准，避免画面长音频短或反之

---

七、主视频处理与拼接

Step 1：去水印 + 截取前 N 秒

砍掉原视频最后的 NotebookLM 默认片尾（约 9 秒）：

ffmpeg -i input.mp4 \
  -t 450 \
  -vf "delogo=x=1100:y=650:w=160:h=50" \
  -c:v libx264 -preset fast -pix_fmt yuv420p -r 24 \
  -c:a aac -b:a 128k \
  main.mp4

Step 2：concat 拼接主视频 + 自定义片尾

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 -preset fast \
  -c:a aac -b:a 128k \
  final-no-subs.mp4

concat 滤镜的关键要求

两段视频的编码参数必须完全一致，否则拼接处会卡顿甚至失败：

参数	必须统一
分辨率	两段都是 1280×720
帧率	两段都是 24fps
像素格式	两段都是 yuv420p
音频采样率	两段都是 44100Hz
音频声道数	两段都是单声道

上一步的 main.mp4 生成时就统一了这些参数，所以 concat 能无缝拼接。

两种拼接方式对比

方式	特点	适用场景
concat filter（本文）	重编码，强制统一参数	两段编码参数不同
concat demuxer	无损拼接，不重编码	两段编码参数完全一致

demuxer 方式（作为备选）：

# 创建拼接清单
cat > list.txt << EOF
file 'main.mp4'
file 'ending.mp4'
EOF

# 无损拼接
ffmpeg -f concat -safe 0 -i list.txt -c copy output.mp4

---

八、软字幕挂载

软字幕 vs 硬字幕

类型	原理	优点	缺点
软字幕	字幕作为独立流存入容器	原画质不受损、可开关、可提取翻译	抖音/视频号等会重编码丢失
硬字幕	字幕直接烧录到画面像素	所有平台兼容	不可关闭、画面多一层字幕

实战建议：做双份——软字幕版存档和发 B 站/YouTube，硬字幕版发抖音/视频号。

MP4 软字幕挂载

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" \
  final.mp4

参数	作用
-c:s mov_text	MP4 容器的字幕编码格式
-metadata:s:s:0 language=zho	给第 0 个字幕流打语言标签（ISO 639-2）
-metadata:s:s:0 title	字幕流显示名

硬字幕方案（需要 libass）

如果你的 ffmpeg 编译时带了 libass 支持：

ffmpeg -i final-no-subs.mp4 \
  -vf "subtitles=bilingual.srt:force_style='FontName=PingFang SC,FontSize=18,PrimaryColour=&H00FFFFFF,OutlineColour=&H00000000,BorderStyle=1,Outline=2,MarginV=30,Alignment=2'" \
  -c:a copy \
  final-hardsub.mp4

踩坑记录：Homebrew 默认的 ffmpeg bottle 版没有 libass，需要：

brew tap homebrew-ffmpeg/ffmpeg
brew install homebrew-ffmpeg/ffmpeg/ffmpeg

或者用 evermeet.cx 提供的静态编译版。

---

九、完整 SOP 与踩坑记录

完整命令清单（按顺序执行）

# === 输入 ===
INPUT=input.mp4
WORK=./_work
mkdir -p $WORK && cd $WORK

# 1. 去水印 + 截取
ffmpeg -i ../$INPUT -t 450 \
  -vf "delogo=x=1100:y=650:w=160:h=50" \
  -c:v libx264 -preset fast -pix_fmt yuv420p -r 24 \
  -c:a aac -b:a 128k main.mp4

# 2. 提取音频
ffmpeg -i ../$INPUT -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wav

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

# 4. JSON → SRT（Python 脚本）
python3 json2srt.py audio.json en.srt

# 5. AI 翻译 en.srt → zh.srt（对话式或 API）

# 6. 合并双语字幕
python3 merge_bilingual.py en.srt zh.srt bilingual.srt

# 7. 生成片尾图
"/Applications/Google Chrome.app/Contents/MacOS/Google Chrome" \
  --headless --disable-gpu --window-size=1280,720 \
  --screenshot=ending.png file://$(pwd)/ending.html

# 8. 生成叮声
ffmpeg -f lavfi -i "sine=frequency=1200:duration=0.4" \
  -af "volume=0.7,aecho=0.8:0.9:60:0.3,afade=t=out:st=0.2:d=0.2" \
  ding.wav

# 9. 合成 5 秒片尾视频
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

ffmpeg -loop 1 -i ending.png -i ending-audio.wav \
  -c:v libx264 -t 5 -pix_fmt yuv420p -r 24 \
  -c:a aac -b:a 128k -shortest ending.mp4

# 10. 拼接主视频 + 片尾
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 -preset fast -c:a aac -b:a 128k \
  final-no-subs.mp4

# 11. 挂载软字幕
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 \
  ../final.mp4

踩坑记录

坑	现象	解决
concat 拼接处卡顿	主视频和片尾帧率不一致	统一 -r 24 重编码
-c:a copy 报错	源音频流参数与目标容器不兼容	用 -c:a aac 重编码
whisper 识别语言识别错	自动检测把中英混合识别为日语	显式 --language en
subtitles 滤镜报错	ffmpeg 编译没带 libass	换 homebrew-ffmpeg tap 版
mov_text 字幕乱码	SRT 不是 UTF-8 编码	保存时显式 encoding='utf-8'
静态图 loop 视频黑屏	没加 -pix_fmt yuv420p	强制指定像素格式
音频淡出太突兀	没加 afade 滤镜	前后各加 5ms/200ms 淡入淡出

性能数据

基于 M1 Mac，7 分 40 秒 720p 视频：

步骤	耗时
whisper turbo 第一次下载模型	5 分钟（一次性）
whisper turbo 识别	5 分钟
ffmpeg delogo + 截取重编码	45 秒
片尾合成（图+音+视频）	10 秒
concat 拼接重编码	50 秒
软字幕挂载（无重编码）	2 秒
总计（首次，含下载）	约 12 分钟
总计（第二次起）	约 7 分钟

---

十、常见问题

Q1：whisper 识别中文效果如何

中文效果在 medium 及以上模型是可用的。turbo 模型对中文支持也很好，WER 约 5% 左右（基于 Common Voice 评测）。识别普通话讲座、播客、访谈都没问题。

识别中文的注意事项：

• 显式指定 --language zh
• 如果包含专业术语，用 --initial_prompt 提供词表
• 方言支持有限，闽南话/粤语建议用 PaddleSpeech

Q2：如何批量处理多个视频

写成 shell 脚本遍历目录：

#!/bin/bash
for video in videos/*.mp4; do
    name=$(basename "$video" .mp4)
    ./process_video.sh "$video" "output/${name}_processed.mp4"
done

这就是 ffmpeg 方案相对剪辑软件的降维打击——GUI 软件没法批处理 100 个视频。

Q3：如何嵌入到 AI Agent 工作流

把这套 SOP 封装成一个 Skill：

video-processor/
├── SKILL.md            # 方法论和触发词
├── scripts/
│   ├── remove-watermark.sh
│   ├── transcribe.sh
│   └── merge-bilingual.py
└── templates/
    └── ending.html

Agent 收到"处理这个视频"指令后：

1. 探测视频参数（ffprobe）
2. 询问用户水印位置
3. 并行执行去水印 + 提取音频 + whisper 识别
4. 翻译 + 合并字幕
5. 生成片尾 + 拼接 + 挂字幕

Q4：如果 ffmpeg 编译没带 libass 怎么办

硬字幕需要 libass。三种解决方案：

1. Homebrew 完整版：brew install homebrew-ffmpeg/ffmpeg/ffmpeg
2. 静态编译版：从 evermeet.cx 下载 macOS 版
3. Docker 方案：docker run -v $(pwd):/work jrottenberg/ffmpeg:latest ...

Q5：视频上传平台后字幕丢失了

抖音、视频号等平台会对上传视频做二次转码，丢弃 mov_text 字幕流。两种对策：

• 上传带硬字幕版（libass 烧录）
• 利用平台原生字幕功能（上传 SRT 文件）

B 站、YouTube 会保留软字幕，优先选这些平台。

---

参考资料

• ffmpeg 官方文档 - Filters
• OpenAI Whisper GitHub
• Whisper Turbo 技术报告
• libass 渲染文档
• SRT 格式规范

---

结语

三条可以带走的硬结论：

1. 视频"处理"不需要视频生成大模型。Sora/Runway 是用来"创造"的。处理工作用 ffmpeg 就够。
2. 命令行方案的价值是可编程性。批处理、自动化、嵌入 Agent 工作流——GUI 软件做不到。
3. 学会 ffmpeg 的 ROI 远高于买剪辑会员。一次学习，终身使用，可脚本化。

下次拿到一个视频想改点什么，先问一句：「这事 ffmpeg 能不能干？」90% 的情况是能。

---

作者：路易乔布斯 · 一深思AI

如有帮助请点赞收藏，技术讨论评论区见。