老杨的知识荒原.

我用 AI 给 YouTube 视频自动加中文字幕，3 分钟搞定

3 分钟阅读 AI
# AI# 教程# YouTube

每天刷 YouTube 的时候，总能看到优质的 AI 教程、技术演讲和产品发布。问题来了——大部分没有中文字幕。靠听的，偶尔漏几句；靠浏览器插件翻译，质量参差不齐，还经常断在 buffering 上。

手动做字幕？一个 10 分钟的视频，听写、断句、翻译、调时间轴，至少花一个小时。如果是一小时的视频，一下午就搭进去了。

所以我把整个流程自动化了：下载视频 → 转录英文 → 翻译中文 → 烧录字幕，端到端跑完大概 3 分钟（取决于视频长度）。这篇文章把每一步拆开讲，给你所有可以直接复制的命令和代码。

整体工作流

先看全貌：

YouTube 链接
  → yt-dlp 下载视频
  → ffmpeg 提取音频
  → Whisper 语音识别，生成英文字幕 (SRT)
  → 翻译成中文 (SRT)
  → moviepy 烧录双语字幕到视频
  → (可选) ffmpeg 截取 GIF 预览

需要安装的工具：yt-dlp、ffmpeg、Python 3.10+，以及几个 Python 库。下面一步步来。

第一步：用 yt-dlp 下载视频

yt-dlp 是 youtube-dl 的活跃分支，下载速度快，格式支持全。

# 安装
pip install -U yt-dlp

# 下载视频（最佳画质，mp4 优先）
yt-dlp -f "bv*[ext=mp4]+ba[ext=m4a]/b[ext=mp4]/b" \
  -o "%(title)s.%(ext)s" \
  "https://www.youtube.com/watch?v=VIDEO_ID"

如果只需要音频来做转录，可以跳过视频下载，直接拿音频：

yt-dlp -x --audio-format mp3 \
  -o "audio.%(ext)s" \
  "https://www.youtube.com/watch?v=VIDEO_ID"

但后面烧录字幕需要视频文件，所以一般情况下还是下载完整视频。

第二步：用 ffmpeg 提取音频

Whisper 处理的是音频文件，所以需要从视频里提取出来：

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

参数解释：

  • -vn：不要视频流
  • -ar 16000：采样率 16kHz，Whisper 的推荐值
  • -ac 1：单声道，识别效果更稳定

这一步很快，通常几秒钟。

第三步：用 Whisper 自动语音识别

Whisper 是 OpenAI 开源的语音识别模型，支持 99 种语言。对于英文视频，识别准确率非常高。

# 安装
pip install -U openai-whisper

# 转录并直接输出 SRT 字幕文件
whisper audio.wav \
  --model medium \
  --language en \
  --output_format srt \
  --output_dir ./

模型大小选择：

  • tiny / base：速度快，准确率一般，适合短视频
  • small：平衡选择，10 分钟视频大概 1 分钟跑完
  • medium：准确率高，需要 5GB 显存
  • large：最高准确率，显存需求大，速度慢

没有 GPU 也能跑，就是慢一些。M 系列 Mac 用 MPS 后端还挺快的。

运行完你会得到 audio.srt，这就是英文字幕文件。

也可以在 Python 里调用，方便后续流水线串联：

import whisper

model = whisper.load_model("medium")
result = model.transcribe("audio.wav", language="en", verbose=False)

# 生成 SRT 格式
from whisper.utils import get_writer
with open("audio.srt", "w", encoding="utf-8") as f:
    writer = get_writer("srt", ".")
    writer(result, "audio.wav", {"highlight_words": False})

第四步：翻译成中文

拿到英文 SRT 之后，需要把每一条字幕翻译成中文。直接用全文翻译会比逐条翻译更连贯，因为上下文能保留。

这里用 OpenAI 的 API 来做翻译，你也可以换成其他大模型：

import re

def parse_srt(content):
    """解析 SRT 文件，返回 [(index, timestamp, text)] 列表"""
    blocks = re.split(r'\n\s*\n', content.strip())
    entries = []
    for block in blocks:
        lines = block.strip().split('\n')
        if len(lines) >= 3:
            index = lines[0].strip()
            timestamp = lines[1].strip()
            text = '\n'.join(lines[2:])
            entries.append((index, timestamp, text))
    return entries

def translate_srt(input_path, output_path, api_key):
    from openai import OpenAI
    client = OpenAI(api_key=api_key)

    with open(input_path, 'r', encoding='utf-8') as f:
        content = f.read()

    entries = parse_srt(content)

    # 把所有文本拼成一段，用分隔符标记
    texts = [e[2] for e in entries]
    combined = '\n|||\n'.join(texts)

    prompt = f"""将以下英文字幕翻译成中文。保持原文的换行和分隔符 |||，
输出格式和输入完全对应，不要增减分隔符的数量：

{combined}"""

    resp = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "你是一个专业的视频字幕翻译，翻译简洁自然，适合阅读。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3
    )

    translated = resp.choices[0].message.content.strip()
    translated_texts = translated.split('\n|||\n')

    # 重新组装 SRT
    with open(output_path, 'w', encoding='utf-8') as f:
        for i, (index, timestamp, _) in enumerate(entries):
            f.write(f"{index}\n{timestamp}\n{translated_texts[i].strip()}\n\n")

    print(f"翻译完成: {output_path}")

# 使用
translate_srt("audio.srt", "audio_zh.srt", "your-api-key")

想做成双语字幕？把原文和翻译拼在一起就行：

def make_bilingual_srt(en_srt, zh_srt, output_path):
    """合并英文和中文 SRT 为双语字幕"""
    with open(en_srt, 'r') as f:
        en_entries = parse_srt(f.read())
    with open(zh_srt, 'r') as f:
        zh_entries = parse_srt(f.read())

    with open(output_path, 'w', encoding='utf-8') as f:
        for (idx, ts, en_text), (_, _, zh_text) in zip(en_entries, zh_entries):
            f.write(f"{idx}\n{ts}\n{en_text.strip()}\n{zh_text.strip()}\n\n")

第五步：用 moviepy 烧录字幕到视频

字幕文件准备好了，最后一步是把字幕”烧”进视频画面里。

from moviepy.editor import VideoFileClip, TextClip, CompositeVideoClip
from moviepy.video.tools.subtitles import SubtitlesClip

def burn_subtitles(video_path, srt_path, output_path, font_size=24):
    video = VideoFileClip(video_path)

    # 生成字幕片段
    def make_text_clip(txt):
        # 支持多行（双语字幕）
        return TextClip(
            txt,
            fontsize=font_size,
            font='Arial',  # Mac 上可以用 'PingFang-SC' 显示中文
            color='white',
            stroke_color='black',
            stroke_width=1,
            method='caption',
            size=(video.w * 0.9, None),
            align='south'
        )

    subtitles = SubtitlesClip(srt_path, make_text_clip)
    subtitles = subtitles.set_position(('center', 0.85), relative=True)

    result = CompositeVideoClip([video, subtitles])
    result.write_videofile(
        output_path,
        codec='libx264',
        audio_codec='aac',
        fps=video.fps,
        threads=4
    )
    video.close()

# 烧录双语字幕
burn_subtitles("input.mp4", "bilingual.srt", "output.mp4")

几个注意点：

  • Mac 上显示中文，字体改成 'PingFang-SC' 或 /System/Library/Fonts/PingFang.ttc
  • ImageMagick 是 moviepy 的依赖，Mac 上用 brew install imagemagick 安装
  • 烧录速度取决于视频长度和 CPU，10 分钟视频大概 2-3 分钟

第六步：生成 GIF 预览

做完视频，顺手截一段 GIF 预览，方便分享：

# 截取第 30 秒开始的 5 秒，生成 GIF
ffmpeg -ss 30 -t 5 -i output.mp4 \
  -vf "fps=15,scale=480:-1:flags=lanczos,split[s0][s1];[s0]palettegen[p];[s1][p]paletteuse" \
  -loop 0 preview.gif

-ss 30 是起始时间，-t 5 是时长，scale=480 限制宽度，保持 GIF 体积可控。

进阶：用 edge-tts 做中文配音

如果光看字幕还不够，想加上中文语音旁白，可以用微软的 edge-tts，免费且效果不错。

pip install edge-tts
import edge_tts
import asyncio

async def generate_tts(text, output_path):
    # 选择中文语音
    voice = "zh-CN-YunxiNeural"  # 男声，自然流畅
    communicate = edge_tts.Communicate(text, voice)
    await communicate.save(output_path)

# 把中文字幕文本合并，生成配音
with open("audio_zh.srt", "r") as f:
    zh_text = " ".join(line.strip() for line in f.readlines()
                       if line.strip() and not line.strip().isdigit()
                       and "-->" not in line)

asyncio.run(generate_tts(zh_text, "chinese_voice.mp3"))

可用中文语音列表：

edge-tts --list-voices | grep zh-CN

推荐几个：

  • zh-CN-YunxiNeural：男声，年轻自然
  • zh-CN-XiaoxiaoNeural：女声，温柔清晰
  • zh-CN-YunjianNeural：男声，沉稳有力

然后把配音替换到视频里：

ffmpeg -i output.mp4 -i chinese_voice.mp3 \
  -c:v copy -c:a aac -map 0:v:0 -map 1:a:0 \
  final.mp4

注意配音时长要和视频时长大致匹配，如果差太多可以用 ffmpeg 的 atempo 滤镜调速。

一键脚本

把上面的步骤串起来，做成一个完整脚本：

#!/usr/bin/env python3
"""YouTube 视频自动翻译字幕工具"""
import subprocess
import sys
import os

def main(youtube_url, api_key=None):
    # 1. 下载视频
    print("📥 下载视频...")
    subprocess.run([
        "yt-dlp", "-f", "bv*[ext=mp4]+ba[ext=m4a]/b",
        "-o", "input.%(ext)s", youtube_url
    ], check=True)

    # 2. 提取音频
    print("🎵 提取音频...")
    subprocess.run([
        "ffmpeg", "-y", "-i", "input.mp4",
        "-vn", "-acodec", "pcm_s16le", "-ar", "16000", "-ac", "1",
        "audio.wav"
    ], check=True)

    # 3. Whisper 转录
    print("🗣️ 语音识别...")
    subprocess.run([
        "whisper", "audio.wav",
        "--model", "medium", "--language", "en",
        "--output_format", "srt", "--output_dir", "./"
    ], check=True)

    # 4. 翻译
    if api_key:
        print("🌐 翻译中文字幕...")
        translate_srt("audio.srt", "audio_zh.srt", api_key)
        make_bilingual_srt("audio.srt", "audio_zh.srt", "bilingual.srt")
        srt_file = "bilingual.srt"
    else:
        srt_file = "audio.srt"

    # 5. 烧录字幕
    print("🎬 烧录字幕...")
    burn_subtitles("input.mp4", srt_file, "output.mp4")

    # 6. GIF 预览
    print("🖼️ 生成 GIF...")
    subprocess.run([
        "ffmpeg", "-y", "-ss", "10", "-t", "5", "-i", "output.mp4",
        "-vf", "fps=15,scale=480:-1:flags=lanczos,split[s0][s1];[s0]palettegen[p];[s1][p]paletteuse",
        "-loop", "0", "preview.gif"
    ], check=True)

    print("✅ 完成！输出文件: output.mp4, preview.gif")

if __name__ == "__main__":
    url = sys.argv[1]
    key = sys.argv[2] if len(sys.argv) > 2 else None
    main(url, key)

用法：

# 只有英文字幕
python translate.py "https://www.youtube.com/watch?v=XXXX"

# 双语字幕 + 中文翻译
python translate.py "https://www.youtube.com/watch?v=XXXX" "sk-your-api-key"

小结

整个流程跑通之后，看 YouTube 技术视频的体验完全不一样了。3 分钟自动出字幕，比手动快了 20 倍，而且 Whisper 的识别准确率在英文清晰的情况下能到 95% 以上。

几个可以继续优化的方向：

  • 批量处理：丢一个播放列表链接进去，自动逐个翻译
  • 术语表：给翻译模型一份术语对照表，保证技术名词一致性
  • 样式定制：字幕字体、颜色、描边、位置全部可调
  • 内容摘要：翻译完之后顺手让大模型生成一份视频摘要

工具链都是开源的，跑起来零成本（除了翻译 API 的几毛钱）。周末花一个小时搭好环境，以后就是一键的事。

参考链接

本文作者 AwesomeYang，转载请注明出处： awesomeyang.com/2026/06/21/ai-youtube-subtitle-translate/