视频处理流水线 — 从原始素材到精致内容

---

# 🎬 视频处理流水线

## 从原始素材到精致内容 ✨

@luk036 👨‍💻 · 2026 📅

---

## 📋 大纲

### 🛠️ 创建的 Skill

1. **SRT 字幕修复** — `fix-srt` / `validate-srt` 📝
2. **静音去除** — `remove-silent-gaps` 🔇
3. **中文语气词去除** — `remove-filler-zh` 🗣️

### 💡 关键挑战

4. Windows 临时文件问题 🪟🐛
5. 超时估算 ⏱️
6. 词级 vs 段级 🎯

]

### 📊 结果

7. 完整流水线演示 🚀
8. 前后对比 📈
9. 经验总结 🏁

]

---

## 🛠️ Skill 1：SRT 字幕修复

---

### 📝 `fix-srt` — 智能转写纠错

**功能说明：**
- 去除 SRT 文件中的中文语气词（呃, 啊, 哦, 哈, 唉）
- 修复 **70+** 种常见 ASR 转写错误
- 修复后自动验证字幕结构

**修复示例：**
| 原始 | 修正后 |
|----------|-----------|
| `deep CV four` | DeepSeek V4 |
| `offer lap` | overlap |
| `封神` | 函数 |
| `headlock` | deadlock |

]

**转写错误分类：**

<pre>
graph TD
 ASR[ASR 输出] --> TE[转写错误]
 TE --> CP[计算机术语 如 sorting, overlap]
 TE --> TL[工具名 如 DeepSeek, OpenCode]
 TE --> CN[中文同音字 如 封神 → 函数]
 TE --> FG[语气词 如 呃, 啊, 哦]
 style ASR fill:#e3f2fd,stroke:#1565c0,color:#2e3440,stroke-width:3px
 style CP fill:#ffcdd2,stroke:#c62828,color:#2e3440,stroke-width:3px
 style TL fill:#ffe0b2,stroke:#e65100,color:#2e3440,stroke-width:3px
 style CN fill:#f3e5f5,stroke:#7b1fa2,color:#2e3440,stroke-width:3px
 style FG fill:#c8e6c9,stroke:#2e7d32,color:#2e3440,stroke-width:3px
</pre>

]

---

### 🔍 `validate-srt` — 字幕质量保证

**结构检查项：**

| 检查项 | 捕获的问题 |
|-------|----------------|
| 序号 | 缺失或重复的序号 |
| 时间戳格式 | 格式错误的 `-->` 行 |
| 时间逻辑 | `开始 >= 结束` 或条目重叠 |
| 内容质量 | 空文本、过短的条目 |

**输出示例：**

```
PASS: subtitles.srt
验证通过：共计 292 条字幕

FAIL: broken.srt
3 error(s):
#2: expected number 2, got 4
#3: start >= end (00:00:03,000 --> 00:00:01,500)
#5: starts before previous entry ends (gap: -500ms)
```

---

## 🔇 Skill 2：静音去除

---

### `remove-silent-gaps` — 流水线概览

<pre>
graph LR
 IN["🎬 input.mp4 1116s"] --> SP["分割 -c copy"]
 SP --> C1["片段 1 372s"]
 SP --> C2["片段 2 372s"]
 SP --> C3["片段 3 372s"]
 C1 --> DA1["🔇 静音检测 (FFmpeg silencedetect)"]
 C2 --> DA2["🔇 静音检测"]
 C3 --> DA3["🔇 静音检测"]
 DA1 --> T1["修剪后 1 330s"]
 DA2 --> T2["修剪后 2 307s"]
 DA3 --> T3["修剪后 3 265s"]
 T1 --> CN["合并 -c copy"]
 T2 --> CN
 T3 --> CN
 CN --> OUT["🎬 output.mp4 902s (-19%)"]
 style IN fill:#ffcdd2,stroke:#c62828,color:#2e3440,stroke-width:3px
 style OUT fill:#c8e6c9,stroke:#2e7d32,color:#2e3440,stroke-width:3px
 style SP fill:#e3f2fd,stroke:#1565c0,color:#2e3440,stroke-width:3px
 style CN fill:#e3f2fd,stroke:#1565c0,color:#2e3440,stroke-width:3px
 style DA1 fill:#f3e5f5,stroke:#7b1fa2,color:#2e3440,stroke-width:3px
 style DA2 fill:#f3e5f5,stroke:#7b1fa2,color:#2e3440,stroke-width:3px
 style DA3 fill:#f3e5f5,stroke:#7b1fa2,color:#2e3440,stroke-width:3px
</pre>

]

---

### 🔧 FFmpeg 静音检测

**工作原理：**

1. `silencedetect` 滤波器扫描音频中低于阈值的段落
2. 相邻静音被**合并**（默认间隔 0.3s）
3. 通过**反转**静音区间计算出保留片段
4. FFmpeg `select`/`aselect` 滤波器在精确边界处切割视频

```
Detecting silence (threshold=-40dB, min_duration=0.5s)...
  Found 54 silence segments
  Merged into 53 segments (gap=0.3s)
  Dead air to remove: 42.4s (11.4% of chunk)
  Keep segments: 54
```

**关键参数：**

| 参数 | 默认值 | 效果 |
|-----------|---------|--------|
| `--threshold` | -40dB | 越低越灵敏 |
| `--duration` | 0.5s | 最短静音长度 |
| `--merge` | 0.3s | 合并相邻静音的间隔 |

---

## 🗣️ Skill 3：中文语气词去除

---

### `remove-filler-zh` — Whisper 驱动的精确去除

**纯词级检测** 🎯

使用 Whisper 的 `word_timestamps=True` 获取语气词的精确位置。不进行段级回退估算。

**语气词列表**（13 单字 + 8 短语）：

| 类型 | 示例 |
|------|----------|
| 单字 | 呃, 啊, 嗯, **呢**, **嘞** |
| 短语 | 那个, 就是, 然后, 这个 |

**检测逻辑：**
```
对于每个 Whisper 单词：
  如果 word.text ∈ FILLER_WORDS → 删除
  如果 phrase ∈ word.text → 删除
合并重叠区间
```

]

<pre>
graph TD
 VID["🎬 输入视频"] --> AUD["🎵 提取音频 16kHz WAV"]
 AUD --> WH["🧠 Whisper word_timestamps=True"]
 WH --> WL[("单词列表 (text, start, end)")]
 WL --> FD["语气词检测 词级匹配"]
 FD --> RM["语气词区间 待删除"]
 RM --> IV["反转→保留 区间"]
 IV --> FF["🎬 FFmpeg filter_complex trim + concat"]
 FF --> OUT["🎬 干净视频"]
 style VID fill:#ffcdd2,stroke:#c62828,color:#2e3440,stroke-width:3px
 style WH fill:#e3f2fd,stroke:#1565c0,color:#2e3440,stroke-width:3px
 style FD fill:#f3e5f5,stroke:#7b1fa2,color:#2e3440,stroke-width:3px
 style FF fill:#ffe0b2,stroke:#e65100,color:#2e3440,stroke-width:3px
 style OUT fill:#c8e6c9,stroke:#2e7d32,color:#2e3440,stroke-width:3px
</pre>

]

---

### ⚖️ 词级 vs 段级

| 方面 | 词级法 ✅ | 段级法 ❌ |
|--------|:------------:|:----------------:|
| **精度** | Whisper 精确时间戳 | 段内比例估算 |
| **准确度** | 高 — 在单词边界精确剪切 | 低 — 近似位置 |
| **假阳性** | 少 | 多（容易误伤相邻词语）|
| **覆盖度** | 取决于 Whisper 词级可靠性 | 总是覆盖全部文本 |
| **我们的选择** | ✅ **`remove-filler-zh`** | ❌ 不使用 |

**为什么词级法更适合中文：** 新版 Whisper（large-v3, turbo）大幅提升了中文词级时间戳的准确性，段级回退已无必要。

---

### 🔪 `filter_complex` 精确剪辑

使用 FFmpeg 的 `filter_complex` 为每个保留片段创建并行的 `trim`/`atrim` 滤波器：

```
[0:v]trim=0:12.5,setpts=PTS-STARTPTS[v0];
[0:a]atrim=0:12.5,asetpts=PTS-STARTPTS[a0];
[0:v]trim=14.2:30.1,setpts=PTS-STARTPTS[v1];
[0:a]atrim=14.2:30.1,asetpts=PTS-STARTPTS[a1];
...
[v0][a0][v1][a1]...concat=n=N:v=1:a=1[v][a]
```

**`filter_complex` 相比 `select`/`aselect` 的优势：**
- 在**精确时间戳**处剪切（而非帧边界）
- 高效处理**任意数量**的保留片段
- 剪切操作并行执行

---

## 💡 解决的关键挑战

---

### 🪟🐛 Windows 临时文件问题

**问题：** `tempfile.NamedTemporaryFile(delete=False)` 在 Windows 上会保留一个打开的文件句柄，干扰 FFmpeg 向同一路径写入。

**症状：**
```
[in#0] Impossible to open '..._trimmed.mp4'
Error opening input: No such file or directory
```

**根因：** 在 Windows 上，`NamedTemporaryFile` 以特定的句柄共享模式打开文件，即使设置了 `delete=False`，该句柄仍会阻止 FFmpeg 子进程写入。

**修复：** 改用 `tempfile.mkstemp()`：
```python
def _mktemp(suffix):
    fd, path = tempfile.mkstemp(suffix=suffix)
    os.close(fd)  # 立即关闭句柄
    return path   # 文件保留，可自由写入
```

---

### ⏱️ 超时估算

**问题：** 视频编码速度波动很大（0.6×～1.3× 实时）。猜测超时必然导致部分运行失败。

**解决方案：** 在**启动前**打印预估总耗时，基于保守的速度假设：

```
Input: deepseek_v4_flash.mp4 (1116s)
Chunks: 3 (max 420s each)
Estimated total: ~2258s (38 min)
  (encode at 0.5x assumed speed; set timeout >= 38 min)
```

**公式：**
```
estimated = duration / assumed_speed + chunks × overhead + safety_margin
```

**各 Skill 估算：**

| Skill | 瓶颈 | 假设速度 |
|-------|-----------|:------------:|
| `remove-silent-gaps` | FFmpeg 重编码 | 0.5× 实时 |
| `remove-filler-zh` | Whisper 语音识别 | 1.5× 实时 |

---

### 🎯 流水线组合

**处理顺序至关重要：**

<pre>
graph LR
 RAW["🎬 原始 1116s"] --> SRT["📝 修复 SRT 字幕修复"]
 SRT --> SIL["🔇 静音去除 remove-silent-gaps"]
 SIL --> FIL["🗣️ 语气词去除 remove-filler-zh"]
 FIL --> FINAL["🎬 最终 777s (-30%)"]
 
 style RAW fill:#ffcdd2,stroke:#c62828,color:#2e3440,stroke-width:3px
 style SRT fill:#e3f2fd,stroke:#1565c0,color:#2e3440,stroke-width:3px
 style SIL fill:#f3e5f5,stroke:#7b1fa2,color:#2e3440,stroke-width:3px
 style FIL fill:#ffe0b2,stroke:#e65100,color:#2e3440,stroke-width:3px
 style FINAL fill:#c8e6c9,stroke:#2e7d32,color:#2e3440,stroke-width:3px
</pre>

]

**为什么先静音后语气词？**
1. **静音去除**会重编码视频（libx264）— 有损
2. **语气词去除**也会重编码 — 最后做静音会导致二次重编码
3. 静音去除缩短视频长度，让后续 Whisper 转写**更快**

---

## 📊 结果

---

### 📈 前后对比

**deepseek_v4_flash.mp4**（18.6 分钟讲座）

| 阶段 | 时长 | 变化 |
|-------|:--------:|:------:|
| 🎬 原始 | 1116s | — |
| 🔇 静音去除后 | 902s | **−19%** |
| 🗣️ 语气词去除后 | 777s | **−14%** |
| **🎯 总计** | **777s** | **−30%** |

**创建了 3 个 Skill：**

- `fix-srt` + `validate-srt` — SRT 字幕修复
- `remove-silent-gaps` — 分割/修剪/合并流水线
- `remove-filler-zh` — 词级中文语气词去除

]

**时间线可视化：**

<pre>
gantt
 title 视频时长对比
 dateFormat X
 axisFormat %s
 
 section 时长
 原始 :a1, 0, 1116
 静音去除后 :a2, 0, 902
 语气词去除后 :a3, 0, 777
 
 section 节省
 静音节省 :b1, 902, 1116
 语气词节省 :b2, 777, 902
</pre>

]

**节省明细：**
- 🎯 **214s** 静音被去除（静音检测）
- 🎯 **125s** 语气词被去除（Whisper + 词级）
- 🎯 **共计 339s** — 视频**缩短 30%**，节奏更紧凑！

]

---

### 🔧 Skill 架构图

<pre>
graph TD
 SK["⚙️ OpenCode Skills"] --> SRT["📝 fix-srt SRT 转写修复"]
 SK --> VAL["✅ validate-srt SRT 验证器"]
 SK --> SG["🔇 remove-silent-gaps 分割 + 静音去除"]
 SK --> FZ["🗣️ remove-filler-zh 中文语气词去除"]
 
 SG --> DA["🔧 remove-dead-air (依赖)"]
 
 style SK fill:#e3f2fd,stroke:#1565c0,color:#2e3440,stroke-width:3px
 style SRT fill:#ffcdd2,stroke:#c62828,color:#2e3440,stroke-width:3px
 style VAL fill:#c8e6c9,stroke:#2e7d32,color:#2e3440,stroke-width:3px
 style SG fill:#f3e5f5,stroke:#7b1fa2,color:#2e3440,stroke-width:3px
 style FZ fill:#ffe0b2,stroke:#e65100,color:#2e3440,stroke-width:3px
 style DA fill:#eceff1,stroke:#455a64,color:#2e3440,stroke-width:3px
</pre>

]

**4 个新 Skill + 1 个依赖：**
- 全部以 `SKILL.md` + Python 脚本形式打包在 `~/.config/opencode/skills/`
- 跨 Skill 依赖：`remove-silent-gaps` 通过子进程调用 `remove-dead-air`
- 每个 Skill 在启动时打印**超时估算**
- Windows 临时文件统一使用 `mkstemp`（不用 `NamedTemporaryFile`）

---

### ⚡ 性能数据

**处理耗时分解**（1116s 视频，CPU 环境）：

| 阶段 | 耗时 | 瓶颈 |
|-------|:----:|:----------:|
| 分割（3 片段） | ~2s | I/O 密集，stream copy |
| 静音去除 × 3 | ~30 min | FFmpeg 重编码（0.6× 速度）|
| 合并 | ~1s | I/O 密集，stream copy |
| **静音处理总计** | **~31 min** | |
| 音频提取 | ~5 min | FFmpeg PCM 转换 |
| Whisper 转写（medium） | ~16 min | CPU 密集，~94 frames/s |
| 语气词剪辑 | ~3 min | FFmpeg 重编码 |
| **语气词处理总计** | **~24 min** | |
| **总计** | **~55 min** | 处理 **18 min** 视频 |

---

## 🏁 经验总结

---

### 💡 学到什么

**技术教训：**

1. 🪟 **Windows 临时文件很棘手** — `NamedTemporaryFile` 的句柄生命周期超出对象本身。子进程输出文件应使用 `mkstemp` + 立即 `close()`。

2. ⏱️ **不要猜测超时** — 计算并打印估算值。视频编码速度可能因内容复杂度相差 2 倍。

3. 📊 **流水线顺序很重要** — 先做静音去除缩短视频长度，让后续 Whisper 转写更快更省。

4. 🎯 **词级 > 段级** — 现代 Whisper 模型的中文词级时间戳已经足够可靠，无需段级比例估算。

]

**交付的 Skill：**

| Skill | 行数 | 功能 |
|-------|:-----:|---------|
| `fix-srt` | 189 | SRT 转写错误修复 |
| `validate-srt` | 122 | SRT 结构验证 |
| `remove-silent-gaps` | 129 | 分割 + 静音修剪 |
| `remove-filler-zh` | 175 | Whisper 词级语气词去除 |

**视频缩短 30%**，音频更干净，节奏更专业。

]

---

### 🚀 未来优化

**性能：**
- 🎮 Whisper GPU 加速（CUDA）→ 转写速度提升 5-10 倍
- ⚡ `--preset ultrafast` 快速预览静音去除效果
- 🔄 并行处理各片段静音去除

**功能：**
- 🌐 多语言语气词支持
- 📊 HTML 报告：前后对比指标
- 🎯 基于置信度的过滤（只删除高置信度语气词）

]

**集成：**
- 🔗 链式流水线命令（一条命令完成：静音 + 语气词 + SRT）
- 📦 发布 pip 包
- 🤖 GitHub Actions CI 自动字幕验证

]

---

### 📚 参考资料

- **OpenAI Whisper**：[github.com/openai/whisper](https://github.com/openai/whisper) — 支持词级时间戳的语音识别
- **FFmpeg silencedetect**：[ffmpeg.org](https://ffmpeg.org/ffmpeg-filters.html#silencedetect) — 音频静音检测滤波器
- **Remark.js**：[remarkjs.com](https://remarkjs.com) — 本演示文稿使用的幻灯片框架

---

## 👋 谢谢！

### 祝视频处理愉快！🎬 ✨

*有问题吗？* 🎤