【AI Agent实战】不用视频生成模型，小白用小龙虾0成本处理视频

从「一个带水印的英文视频」到「去水印+中英双语字幕+自定义品牌片尾+叮声音效」的完整成品，全程没打开任何视频剪辑软件，没买任何会员，没调用任何视频生成大模型。只用了一只龙虾、一条 ffmpeg 命令行、一个本地 whisper 模型。

• •bold: 小白 0 成本把英文视频做成带品牌片尾的中文视频
• •subtitle: 不用 Sora、不用 Runway、不用剪映会员，全程命令行+本地模型
• •strikethrough: 花 198 买剪映专业版 → 学习 3 小时剪辑软件 → 导出还带水印
• •highlight: 关键不是"用什么工具"，是"把视频处理拆成 ffmpeg 能懂的原子操作"

PART01

为什么这篇值得看

你手头有一个视频，想做四件事：

• •去掉右下角那个烦人的 NotebookLM 水印
• •加上中英双语字幕（视频是英文的，你想发中文受众）
• •把结尾替换成自己的品牌片尾（带二维码、带叮声）
• •还得保持原画质、原音频不失真

传统方案：打开剪映/Premiere/DaVinci，一个一个拖时间轴，每个效果一个面板，字幕一句一句对齐，三小时起步。

我刚才花了多少时间？从"这个视频"到"成品"一共 15 分钟。其中 10 分钟是 whisper 第一次下载模型。真正的处理时间：5 分钟。

龙虾的工作路径是这样的：

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)

PART02

先看结果

视频没法在文章里放，但你可以相信——这四件事，命令行都能干。

PART03

准备工作：你需要什么

一台 Mac 或 Linux（Windows 也行，命令稍有不同）。然后装两个东西：

PROMPT🤖

# 装 ffmpeg（视频处理瑞士军刀） brew install ffmpeg

>

pip3 install openai-whisper

完事。不需要 API key，不需要联网（whisper 模型下载后完全本地跑），不需要账号。

💡小白提示

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。

PART04

Step 01：去水印——ffmpeg 的 delogo 滤镜

STEP01搞清楚水印在哪

先提取视频里的一帧，人肉确认水印坐标

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

打开 frame.png，用系统自带的预览工具量一下水印在哪。我这个视频是 1280×720，NotebookLM 在右下角，大概位置：

• •左上角坐标：x=1100, y=650
• •宽高：w=160, h=50

STEP02用 delogo 滤镜模糊覆盖

ffmpeg 的 delogo 滤镜会用周围像素插值填补这个矩形区域，视觉上像是"糊掉了"

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

解读这条命令：

输入文件

✨为什么不直接裁剪

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。

PART05

Step 02：语音识别——whisper turbo

STEP01先把音频抠出来

whisper 吃的是音频文件不是视频，虽然它也能直接读视频但单独抠音频更省内存

# 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

• •-vn：no video，丢掉视频流
• •-ar 16000：采样率 16kHz（whisper 内部就是这个采样率，省了它自己重采样）
• •-ac 1：单声道

STEP02跑 whisper 识别

turbo 是目前最推荐的模型——大模型级别的准确度，small 级别的速度

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

为什么 turbo 是最佳选择：

第一次跑会下载模型到 ~/.cache/whisper/，之后就秒起。我这个 7 分 40 秒的视频，识别花了 5 分钟。

输出是一个 JSON 文件，里面有每一段话的起止时间和识别出的文本。转成 SRT 标准字幕格式只要几行 Python：

PROMPT🤖

import json def ts(s): h, m = int(s // 3600), int((s % 3600) // 60) return f'{h:02d}:{m:02d}:{s%60:06.3f}'.replace('.', ',') data = json.load(open('audio.json')) lines = [f'{i}\n{ts(seg["start"])} --> {ts(seg["end"])}\n{seg["text"].strip()}\n' for i, seg in enumerate(data['segments'], 1)] open('en.srt', 'w').write('\n'.join(lines))

PART06

Step 03：翻译——这一步我作弊了

最简单的方案是直接让 AI 帮你翻译整个 SRT 文件。

我的做法：把 en.srt 整个扔给龙虾，让他逐条翻译成中文。AI 领域的术语（LLM/token/context/agent/prompt）保留英文原词加中文解释，这样反而更清晰。

💡这一步的效率秘诀

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。

翻译完得到 zh.srt，然后合并成双语 SRT（中文在上、英文在下）：

# 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')

PART07

Step 04：做一个自己的片尾

原视频最后几秒是 NotebookLM 的默认片尾——有 logo、有 CTA。我们要替换成自己的。

STEP01先做一张静态片尾图

用 HTML+Chrome headless 生成，完全可控的排版

写一个 ending.html（1280×720，深蓝科技风，品牌文字+二维码），然后：

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

✨为什么不直接用 Canva 或 Figma

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。

STEP02合成"叮"音效

ffmpeg 可以直接生成正弦波音频，加点回声就是标准的提示音

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

拆解一下：

生成 1200Hz 正弦波，时长 0.4 秒

STEP03把静态图+叮声合成 5 秒视频

loop 参数让静态图重复 5 秒变成视频流

# 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

PART08

Step 05：拼接主视频 + 片尾

STEP01去水印 + 截到 7:30

原视频最后 9 秒是 NotebookLM 片尾，直接砍掉

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

• •-t 450：只截取前 450 秒（7 分 30 秒）
• •-preset fast：编码预设，平衡速度和文件大小
• •-r 24：固定帧率 24fps（和片尾保持一致）

STEP02concat 拼接

ffmpeg 的 concat filter 要求两段视频的编码参数一致（分辨率、帧率、采样率），所以上一步统一成了 1280×720/24fps/44.1kHz

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

💡concat 的坑

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）。

PART09

Step 06：挂载双语字幕

最后一步——把字幕文件挂载到视频里。

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

• •-c:s mov_text：MP4 容器里的字幕编码格式
• •-metadata:s:s:0：给字幕流打标签，播放器才能识别

✨软字幕 vs 硬字幕

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。

PART10

完整流程的 SOP

我把整个流程抽象成一个可复用的模板。下次遇到类似需求：

┌─────────────────────────────────────┐
│  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                  │
└─────────────────────────────────────┘

我把这套流程封装成了一个 Skill，名字叫 video-watermark-remover（其实它已经不只是去水印了）。下次需要时，一句"把这个视频做成带字幕的"就能跑完全流程。

PART11

小白常见问题

Q1：没装过 whisper，第一次跑会很慢吗？

会。turbo 模型 1.5GB，第一次下载要 5-10 分钟。之后就秒起了。建议你安装完的第一件事就是先跑一个 10 秒小音频触发下载，别等到真要用的时候才发现在下载。

Q2：我不想学命令行行不行？

行。把这篇文章整个扔给 ChatGPT 或 Claude，然后说"帮我把 /path/to/my/video.mp4 做成带中文字幕的"。AI 会问你几个问题（水印在哪、视频是什么语言、要不要片尾），然后一条条命令敲给你。你就是那个只会复制粘贴的人。

Q3：视频识别不准怎么办？

几种情况：

• •如果是中文内容：--language zh 显式指定语言
• •如果是中英混合：用 medium 或 large-v3（turbo 对混合语种识别一般）
• •如果背景音乐大：先用 ffmpeg -af "highpass=f=200,lowpass=f=3000" 过滤频段再识别
• •如果是方言：对不起，whisper 搞不定，换 PaddleSpeech 或者找专业转录服务

Q4：为什么是 ffmpeg 不是剪映？

因为 ffmpeg 免费、开源、可脚本化、所有参数可调。剪映是给"用鼠标点"的人用的，ffmpeg 是给"用脑子想"的人用的。

一旦你能用命令行做视频处理，你就能：

• •批量处理 100 个视频（剪映你试试）
• •写脚本自动化（剪映你试试）
• •在服务器上跑（剪映你试试）
• •嵌入到 Agent 的工作流里（剪映你试试）

这才是 AI Agent 时代的姿势。

PART12

三条硬结论

• •视频处理不需要视频生成大模型。Sora/Runway 是用来"创造"视频的。你要"处理"视频，用 ffmpeg 就够。
• •学会一条 ffmpeg 命令，胜过买十个剪辑软件会员。会员是按订阅收费的，命令行是你的永久资产。
• •小白的突破口，是把"复杂流程"拆成"原子命令"。剪映把 20 个命令封装成一个按钮，看起来简单，但你永远不知道里面发生了什么；ffmpeg 让你看清每一步，你就掌握了这个工作流。

PART13

附：配套资源

• •Skill 文件：.codebuddy/skills/video-watermark-remover/（含 SKILL.md + 自动化脚本）
• •完整命令清单：本文所有代码块都可以复制直接跑
• •示例视频：Building_Your_AI_Assistant.mp4 + Building_Your_AI_Assistant_最终版.mp4 对比

下次想发视频前，先问一句：「这事 ffmpeg 能不能干？」90% 的情况是能。