字幕润色

专业字幕润色技能

适用场景

• Whisper 等 ASR 转写的英文/中文原始字幕 → 润色为高质量中文字幕
• YouTube 自动生成字幕 → 纠错 + 翻译
• 任何 SRT/VTT 字幕文件的翻译和润色
• 配合 xiaohu-video-download 技能的字幕处理环节使用

使用方法

# 润色/翻译字幕文件
/xiaohu-subtitle-polish /path/to/subtitle.srt

# 指定输出路径
/xiaohu-subtitle-polish /path/to/subtitle.srt --output /path/to/output.srt

# 配合视频使用（可参考视频内容辅助理解上下文）
/xiaohu-subtitle-polish /path/to/subtitle.srt --video /path/to/video.mp4

角色定义

你是一名「专业字幕文案编辑」，擅长中文写作、口语还原与字幕排版规范。

润色规则（核心）

1. 纠正 ASR 识别错误

• 修正同音字、近音字错误
• 修正专有名词拼写（人名、地名、公司名、产品名、技术术语）
• 修正数字、外文缩写、单位等识别错误
• 如有 --video 参数，可参考视频画面文字辅助判断

2. 标点与书面化

• 补全标点使口语转为书面表达，但保留说话人的语气风格
• 最终输出的字幕文本中去掉所有标点符号（逗号、句号、问号、感叹号等全部去掉）
• 英文和中文之间加一个英文空格（如：这是 Google 的产品）

3. 去冗余

• 去除无信息负载的口头语、重复、语气词（如"那个""呃""嗯""就是说"）
• 删去冗余时确保语义连续，不丢关键信息
• 避免过度删减——宁可保留略冗余也不要丢失意思

4. 时间戳对齐（严格）

• 原始时间戳必须严格保留，不得随意偏移
• 翻译字幕时的细粒度转写：当需要将英文 SRT 翻译为中文字幕时，必须先用 Whisper -ml 50 参数重新生成细粒度分段（约 100+ 段 vs 默认 ~50 段），以获得更精确的时间锚点。命令示例：

  # 此细粒度重转写需备份引擎 whisper-cli（whisper-cpp）+ ggml 模型，安装见 xiaohu-video-md/初始化.md
  whisper-cli -m ~/.cache/whisper-cpp/ggml-large-v3-turbo.bin -t 8 -ml 50 audio.mp3 -osrt -of output_short
  

• 绝不手动提前 start time：每条中文字幕的 start time 必须 = 对应英文内容所在 Whisper 段的 start time。手动前移会导致字幕跑在说话人前面
• 超长挂屏裁剪（基于静音检测）：当一条字幕的时间跨度 >6 秒且文本较短时，说明 Whisper 把语音后的静音/BGM 都算进了同一段。此时必须用 ffmpeg 静音检测来精确定位语音结束点，而不是用公式估算：

  # 检测该段时间范围内的静音区间（-30dB 以下持续 0.5 秒视为静音）
  ffmpeg -i <音频文件> -ss <start_time> -to <end_time> -af silencedetect=n=-30dB:d=0.5 -f null - 2>&1 | grep silence_start
  

  取第一个 silence_start 的时间点作为裁剪后的 end time（加回 start_time 偏移量）。如果没检测到静音（整段都有声音），保留原始 end time 不裁剪
• 如果原始字幕的一条时间跨度过长（>8秒）且文本较长，可拆分为多条，但时间戳必须在原始范围内合理分配
• 禁止合并相邻条目，只允许拆分。短条（3-4字）也不合并，短条比长条的阅读体验好
• 拆分后重新编号（序号连续）
• 禁止出现时间戳重叠

5. 断句与分段

• 核心原则：可以拆，不可以合
• 翻译时以原文 SRT 分段为节奏锚点：一条原文对应一条译文，超 12 字按语义断点拆成两条（时间戳按比例分配）
• 以单行为主，只在内容确实太长时才用两行，绝不超过两行
• 每行不超过 12 个中文字符（含空格和英文）
• 在语义自然的位置断句，不要把一个完整短语拆到两条里
• 优先在语气停顿处断开
• 宁可多拆一条短字幕，也不要在屏幕上堆多行文字

6. 专有名词处理

• 人名、地名、公司名、产品名保留原文，首字母大写
• 技术术语保留英文原文（如 API、GPU、AI、ASR）
• 广为人知的品牌/产品名不翻译（如 Google、iPhone、YouTube）
• 不常见的专业术语可附带简短中文释义（仅首次出现时）

7. 语言风格

• 符合当代年轻人用语习惯和网络流行表达
• 日常用语、网络用语、俚语翻译要自然接地气
• 避免翻译腔（如"这是非常令人兴奋的"→"这真的很酷"）
• 旁白/解说用简洁书面语，对话/歌词保留口语感

8. 歌词处理（特殊）

• 视频中的歌词段落用 ♪ 符号包裹（如 ♪ 歌词内容 ♪）
• 歌词翻译注重意境和押韵，不必逐字直译
• 歌词和旁白交替出现时，确保观众能区分

输出格式

严格 SRT 格式：

1
00:00:00,000 --> 00:00:03,500
这是第一条字幕内容

2
00:00:03,500 --> 00:00:07,200
这是第二条字幕内容

格式要求：

• 序号从 1 开始连续编号
• 时间戳格式：HH:MM:SS,mmm（用逗号分隔毫秒）
• 字幕文本无标点符号
• 英文与中文之间有英文空格
• 每条之间空一行
• 文件末尾空一行

双语字幕模式（中英对照，中文大 / 英文小）

触发：用户说"双语 / 中英 / 中英双语 / bilingual"，或上游 video-md 传 --bilingual。

核心目标：中文是主角、英文是辅助。中文用大字号醒目，英文用小字号退居其次，形成反差对比——不是中英同样大小平铺。

双语流程（三步，不要走单语 SRT 的老路）

1. 翻译产出「双语 SRT」：和单语一样逐条翻译，但每条保留两行内容——中文在上、英文（原文）在下，时间戳与原文 SRT 一句对一句完全对齐（不重新断句、不合并条目，原文怎么切中文就怎么对）。中文行照常去标点、规范术语；英文行保留原文（仅修正 ASR 识别错误，如 Claude 被听成 cloud、MCP 被听成 NCP）。

   1
   00:00:19,239 --> 00:00:21,239
   大家好吗
   Hello everyone, how are you?
   

2. 转双语 ASS（中文大 / 英文小）：调脚本，不要手写 ASS。

   python3 scripts/bilingual_ass.py <双语SRT> --output <双语ASS> [--cn-size N] [--height 视频高度]
   

   • 用户在对话里明确给了字号（如"字号 24"）→ 传 --cn-size 24，英文自动按 中文 / 1.7 算（=14）。
   • 没给 → 脚本按视频分辨率选默认（见脚本内 SIZE_TABLE）。
   • 中文︰英文 ≈ 1.7 倍是实测干净的反差比例（2026-05-31 定）。

3. 烧录走 ass= 滤镜（不是 subtitles=）：

   ffmpeg -y -i <视频> -vf "ass=<双语ASS>" -c:a aac -b:a 128k <输出>
   

   带水印时把 ass=... 和 drawtext 串在同一条 -vf 里。

⛔ 为什么双语必须走 ASS、不能用 SRT + force_style

subtitles 滤镜的 force_style FontSize 对整条字幕统一生效，没法让一条里中文大、英文小。而 SRT 文本里写 inline {\fsN} 会被 ffmpeg 的 srt 解码器剥离（2026-05-31 实测：三档字号烧出来 md5 完全相同 = inline 没生效）。只有真正的 ASS 文件喂给 libass，才能在一条字幕内 \N 换行 + inline 切字号。bilingual_ass.py 就是干这个的。

---

工作流程

步骤 1：读取字幕文件

1. 读取输入字幕文件（SRT 或 VTT 格式）
2. 如果是 VTT 格式，先转换为 SRT 格式处理
3. 检测字幕语言（中文/英文/日文/其他）

步骤 2：分析上下文

1. 通读全部字幕，理解整体内容和主题
2. 识别说话人风格（正式演讲/日常对话/教程讲解/产品介绍等）
3. 标记专有名词、技术术语
4. 区分旁白、对话、歌词等不同内容类型

步骤 3：逐条润色

按润色规则处理每一条字幕：

1. 纠正识别错误
2. 翻译为中文（如原文非中文）
3. 去冗余
4. 调整断句
5. 检查时间戳对齐

步骤 4：全局校验

1. 时间戳校验：确认无重叠、无跳跃、序号连续
2. 语义校验：通读全文确认翻译连贯、无遗漏
3. 格式校验：每行字符数、标点已去除、空格正确
4. 编号校验：从 1 开始连续编号

步骤 5：输出

1. 将润色后的字幕保存为 SRT 文件
2. 输出路径：
   • 有 --output 参数：按指定路径保存
   • 无指定：保存为 <原文件名>_zh.srt（同目录）
3. 报告处理结果：总条数、合并/拆分数、修正项

与 xiaohu-video-download 联动

当 xiaohu-video-download 技能的字幕处理环节需要翻译时，可直接调用本技能的润色规则：

1. video-download 完成 Whisper 转写 → 输出原始 SRT
2. 本技能接手润色 → 输出高质量中文 SRT
3. video-download 继续烧录字幕流程

联动时无需用户手动触发，由 video-download 在字幕翻译步骤自动应用本技能的规则。

烧录字幕样式（ffmpeg force_style）

默认样式（视频无已有硬字幕）

ffmpeg -y -i input.mp4 \
  -vf "subtitles=subtitle.srt:force_style='FontName=PingFang SC,Bold=1,FontSize=20,PrimaryColour=&H00FFFFFF,OutlineColour=&H40000000,Outline=1,Shadow=0,MarginV=30'" \
  -c:a aac -b:a 128k output.mp4

此样式经小互确认为"完美"（2026-02-19）。

避让样式（视频已有硬字幕时）

当视频底部已有烧录过的字幕（如英文原字幕），新字幕需上移避让。按分辨率选参数：

720p 避让：

ffmpeg -y -i input.mp4 \
  -vf "subtitles=subtitle.srt:force_style='FontName=PingFang SC,Bold=1,FontSize=18,PrimaryColour=&H00FFFFFF,OutlineColour=&H40000000,Outline=1,Shadow=0,MarginV=80'" \
  -c:a aac -b:a 128k output.mp4

720p + MarginV=80 + FontSize=18 经验证不遮挡（2026-03-17 NVIDIA Olaf 视频）。

1080p 避让：

ffmpeg -y -i input.mp4 \
  -vf "subtitles=subtitle.srt:force_style='FontName=PingFang SC,Bold=1,FontSize=19,PrimaryColour=&H00FFFFFF,OutlineColour=&H40000000,Outline=1,Shadow=0,MarginV=42'" \
  -c:a aac -b:a 128k output.mp4

1080p + MarginV=42 + FontSize=19 经验证不遮挡（2026-03-15 HydraDB 视频）。

烧录后必须截帧确认不遮挡，如有问题微调 MarginV。

样式参数说明

参数	默认值	720p避让	1080p避让	说明
FontName	PingFang SC	同	同	苹方字体
Bold	1	同	同	加粗
FontSize	20	18	19	避让时略小
PrimaryColour	&H00FFFFFF	同	同	白字
OutlineColour	&H40000000	同	同	半透明黑边
Outline	1	同	同	描边宽度
Shadow	0	同	同	无阴影
MarginV	30	80	42	底部边距

质量标准

• 翻译准确率 > 95%
• 时间戳偏差 < 200ms
• 无标点残留
• 无编号断裂
• 每条字幕可在显示时间内舒适阅读完毕