用 Codex Skill 把英文科技/教程视频翻成中文配音版很多英文科技视频、教程课、产品演示真正难翻的不是“把英文变中文”而是让中文配音后的成片仍然像一条完整视频讲者语气要自然字幕段落不能乱中文音频不能拖垮画面节奏后期改一句话时不能整条视频从头返工dumb-english-2-chinese这个 skill 的设计目标就是把这些问题收进一条可重复执行的流水线里。它适合处理英文科技/教程视频尤其是讲解密度高、段落清晰、需要保留原画面节奏的内容。1. 为什么它适合科技/教程视频科技和教程类视频通常有几个特点️以口播为主画面服务于讲解核心信息在讲者的话里。只要转写、翻译、配音和同步稳定成片就能保留原视频的大部分信息价值。句子结构清晰教程视频往往是一句一个步骤、一段一个概念。流水线可以把英文字幕合并成更适合翻译和配音的段落减少“半句话一段”的碎片感。️后期经常只改局部术语、语气、产品名、步骤描述都可能需要微调。这个 skill 的逐句 WAV 设计让你可以只重做某一句而不是重跑整条视频。⏱️同步比逐字对齐更重要教程视频不一定要求嘴型级别同步但要求“这一句中文讲完时画面刚好还在对应步骤”。所以它采用中文音频主时间轴再让视频片段变速适配。2. 前期素材怎么准备推荐先用剪映把素材整理干净再交给流水线处理。2.1 导出完整英文视频或音频在剪映里保留完整原片导出英文原视频.mp4或者单独导出英文原音频.mp3如果只有视频也可以后续可以用 ffmpeg 提取音频。但前期直接导出一份清晰音频会更方便检查转写效果。2.2 准备一小段干净的讲者参考音频VoxCPM2 音色克隆需要一段参考音频。建议从剪映里截取讲者本人声音背景音乐尽量少没有掌声、噪声、多人重叠说话3 到 15 秒即可推荐约 12 秒可以命名为参考音频.mp3这段参考音频不是越长越好。太短可能不稳太长会拖慢推理也可能带入不必要的噪声。2.3 文件命名和目录组织建议每条视频单独一个目录避免中间文件混在一起。project/ input/ 英文原视频.mp4 英文原音频.mp3 参考音频.mp3 output-codex/流水线默认把中间文件和最终成片放进project/output-codex/这样做有两个好处每条视频的字幕、音频片段、最终成片都在同一处和其他工具常用的output/分开避免互相覆盖3. 整条流水线做了什么可以把它理解成一条从英文原片到中文配音成片的生产线英文音频 ↓ faster-whisper 转写英文 SRT ↓ 合并短句得到更适合翻译的英文 SRT ↓ 翻译成中文 SRT ↓ VoxCPM2 按句生成中文 WAV ↓ ffmpeg 按中文音频重排时间轴并合成视频Step 1faster-whisper 转写英文 SRT流水线先用 faster-whisper 把英文音频转写成english.srt。为了让长视频更稳定它会把音频切成多个分段处理并在分段之间保留少量重叠。这样即使中途失败也可以从未完成的分段继续而不是整条音频从头开始。Step 1b合并短句自动转写出来的字幕经常过碎比如一句话被切成三四段。skill 会把间隔很短、总长度合适的相邻字幕合并成english_merged.srt。这一步很关键翻译时上下文更完整中文配音更像自然口播后续视频变速不会因为碎片太多而显得跳Step 2翻译中文 SRT接着把合并后的英文字幕翻译成chinese.srt。这里最重要的规则是只翻译正文不改字幕编号和时间戳。也就是说英文第 1 段对应中文第 1 段英文第 2 段对应中文第 2 段直到第 N 段都保持一一对应这为后面的逐句配音和合成打基础。Step 3VoxCPM2 生成中文逐句语音然后用 VoxCPM2 根据chinese.srt逐句生成中文配音project/output-codex/audio_segments/ 001.wav 002.wav 003.wav ...每个字幕段落对应一个 WAV 文件。这个设计非常适合教程视频因为后期如果某一句术语不准、语气别扭只需要重做这一句。Step 4ffmpeg 合成最终视频最后进入合成阶段校验英文 SRT、中文 SRT、逐句 WAV 是否严格一一对应根据每句中文 WAV 的实际时长生成中文时间轴按英文 SRT 把原视频切成片段每段视频按中文音频的 slot 变速拼接所有视频片段和中文音频最终输出通常包括project/output-codex/final_translated.mp4 project/output-codex/chinese_full.mp3 project/output-codex/chinese_timeline.srt4. 后期只改一句话怎么做教程视频最常见的返修不是整片翻错而是某一句术语翻译不准确语气太书面中文太长导致画面被拉慢某个产品名、人名需要固定译法这时不要重跑全流程。按下面做局部修正即可。4.1 找到对应字幕段落先打开project/output-codex/chinese.srt找到要改的段落比如第 37 段。只改这一段的中文正文不要改段落编号时间戳其他段落顺序4.2 备份或删除对应 WAV第 37 段对应project/output-codex/audio_segments/037.wav你可以先备份037.wav.bak然后删除原来的037.wav让流水线知道这一句需要重新生成。4.3 只重新生成这一句有两种做法。✅做法 A重跑 Step 3让它跳过已存在的 WAV如果脚本支持断点续跑已存在的001.wav、002.wav等会被跳过只补回缺失的037.wav。✅做法 B做一个临时单句 SRT也可以临时准备一个只包含第 37 段的 SRT用同样的参考音频生成这一句再把生成的 WAV 放回project/output-codex/audio_segments/037.wav注意文件名必须保持三位编号和原段落编号一致。4.4 重新跑 Step 4 合成中文 SRT 和对应 WAV 修好后再重跑合成步骤。Step 4 会重新校验english_merged.srt chinese.srt audio_segments/NNN.wav只要三者数量一致、编号连续就可以生成新的最终视频。5. 核心同步策略中文音频做主时间轴这个 skill 最重要的设计是不强行把中文塞回英文时间轴而是反过来以中文音频为主时间轴让视频片段去适配中文配音。原因很简单中文翻译后的语速、字数、停顿和英文不可能完全一样。如果硬塞进英文时间戳中文配音要么太赶要么被切断。5.1 每句中文 WAV 决定一个 slot第 i 句中文音频的实际时长就是这一句在最终视频里占用的主要时间。同时句间默认加入0.5s gap最后一句后面不额外补 gap。5.2 原视频按英文 SRT 切片英文 SRT 仍然很重要。它决定“原视频中哪一段画面对应这一句话”。对第 i 段英文片段时长 english_srt[i].end - english_srt[i].start 中文 slot 时长 wav[i] 实际时长 句间 gap5.3 每段视频按比例变速每个视频片段的变速比是speed_ratio 英文片段时长 / 中文音频 slot 时长如果中文更长视频需要放慢。如果中文更短视频可以加快。为了避免画面过慢或过快变速会限制在0.6x ~ 1.8x如果限制后仍然对不齐就用 trim 或 pad 做最后修正中文 slot 比视频短裁掉多余画面中文 slot 比视频长补齐最后一帧或做必要填充5.4 严格 1:1 校验合成前必须满足英文 SRT 段数 中文 SRT 段数 逐句 WAV 数量而且编号必须连续1, 2, 3, ... N 001.wav, 002.wav, 003.wav, ... NNN.wav任何缺失、多余、跳号都会直接停止合成。这个限制看起来严格但它能避免生成“字幕、声音、画面错位”的半成品。6. 实用建议中文翻译尽量短一点教程视频不适合把中文写得太满。中文过长会迫使画面放慢影响观看节奏。术语先统一再批量生成语音产品名、技术名词、人名、章节名最好在翻译阶段统一否则后期会反复改局部 WAV。优先修 SRT再重做 WAV不要直接剪音频来修句子。正确顺序是先改chinese.srt再重新生成对应的NNN.wav。保留中间文件english_merged.srt、chinese.srt、audio_segments/都是后期返修入口不建议删。参考音频保持干净音色克隆质量很大程度取决于参考音频。干净、单人、无背景干扰比长音频更重要。结语dumb-english-2-chinese的价值不只是把英文视频翻成中文。它真正解决的是教程类视频翻译里的工程问题可转写、可翻译、可克隆配音、可合成、可局部返修、可校验同步。对于英文科技课、工具教程、产品演示、会议讲解这类内容它的设计思路很清晰让中文配音自然完整 让原视频画面跟着中文节奏走 让每一句都可以独立返修。这就是它适合英文科技/教程视频翻译的核心原因。
