视频字幕优化嵌入工具

自动字幕为什么不能直接用

拿 Whisper 给视频生成字幕，结果往往没法直接用：满屏繁体字，专有名词被听错（比如 WalkBody 变成 walkbody），断句位置奇怪，单行字符数超限。手动在文本编辑器里一条条改 SRT，对几十分钟的视频来说几乎不现实。这个技能解决的就是从原始视频到成品 MP4 的完整链路。

核心工作流

整个流程分三步：

1. 识别：video_to_subtitle.py 提取音频、调用 Whisper 识别并生成 SRT。模型可选 tiny/base/small/medium/large，默认 medium；中文音频传 --language zh，英文用 en。--max-line-length 控制每行最大字符数（默认 40）。
2. 优化：fix_subtitle.py 用 zhconv 做繁转简，执行自定义纠错映射（如「灯路 → 登录」「非书 → 飞书」，独立单词 pt → prompt 走正则匹配避免误替换），同时处理标点、断句和时长。纠错表在脚本的 REPLACEMENTS 列表里，直接改即可扩展。
3. 嵌入：用 ffmpeg 把字幕烧进视频输出 MP4。这一步的坑在于：Windows 下 subtitles 过滤器解析含空格或冒号的路径会报错，需要先把文件复制到无空格的临时目录，并用 original_size=宽x高 指定视频原始分辨率。中文渲染靠 libass + DirectWrite 自动选择微软雅黑。

适用边界与注意点

• CPU 上跑 Whisper 会提示 FP16 not supported on CPU，自动退化到 FP32，结果不受影响，只是慢一些。
• 纠错规则是通用加可定制的组合，映射表之外的错字仍需手动补充。
• 想手工微调某条字幕，直接编辑 *_optimized.srt，再重新执行嵌入步骤即可。
• --optimize-only 可以跳过识别，只对已有 SRT 做优化；--no-optimize 则相反，只输出原始识别结果。