B站横屏视频转视频号竖屏切片

B站横屏视频 → 微信视频号竖屏切片

把 B 站 16:9 中长视频(20-40分钟读书解读/知识类)改造成 1-5 条 1-3 分钟 9:16 竖屏短视频。 已在本机 4 核 CPU + 16GB 内存上跑通两个样例:

• BV1TFe56uEnJ《马斯克: 重回太空》31 分钟(动态画面) → 5 条切片
• BV1g8aa6REa1《学会提问》21 分钟(静态幻灯片+内嵌字幕) → 1 条切片, 全流程约 8 分钟

何时使用

• 用户要把 B 站/其他横屏长视频搬运或改造到微信视频号、抖音、快手
• 需要"横转竖 + 切片 + 烧字幕 + 封面"这套组合拳
• 用户问"横屏视频能不能直接发视频号"(不能, 必须改造)

环境准备(一次性)

Python(managed): C:/Users/DELL/.workbuddy/binaries/python/versions/3.13.12/python.exe 该环境已有 yt-dlp 2026.08.19、faster-whisper、Pillow、imageio-ffmpeg。

ffmpeg: scoop 装的常是空壳 shim(报 Could not create process)。用 imageio-ffmpeg 自带的二进制:

python -c "import imageio_ffmpeg; print(imageio_ffmpeg.get_ffmpeg_exe())"
# 复制为 ./bin/ffmpeg.exe —— 文件名必须叫 ffmpeg.exe, 否则 yt-dlp 的 --ffmpeg-location 认不出
mkdir -p bin && cp "<上面输出的路径>" bin/ffmpeg.exe
./bin/ffmpeg.exe -version   # 必须真跑一次验证

本机有系统代理(http://127.0.0.1:12902), HF 相关脚本一律设 HF_HUB_OFFLINE=1 不设离线时 huggingface_hub 会走代理去校验/拉模型, 表现为两种随机故障: ProxyError: 502 Bad Gateway(加载直接失败) 或 RuntimeError: mkl_malloc: failed to allocate memory(加载到一半分配失败, 极易误判成内存不足)。 设了 HF_HUB_OFFLINE=1 后只读本地缓存: small 加载 5s、97s 音频转写 44s, 稳定可复现。 排查顺序: 遇到上面两个错误先加离线模式, 不要先去查内存或换模型。

五步流程

1. 下载(B站 DASH 分离流, 需 ffmpeg 合并)

python -m yt_dlp -F ""          # 先看格式 ID
python -m yt_dlp -f "bv*[height<=720]+ba/b" --ffmpeg-location bin \
  -o "download/src.mp4" --merge-output-format mp4 ""

• 通用选择器 bv*[height<=720]+ba/b 比写死 30064+30280 更稳(不同稿件格式 ID 会变)
• 1080P 通常需大会员; 720P(约 29MB / 26s 下完)对本流程足够
• 合并后会删中间流, 受控环境会被 safe-delete hook 拦 → 子进程 env 设 CODEBUDDY_SAFE_DELETE_ENABLED=0
• B站字幕拿不到: yt-dlp 报需登录; 直接调 player/wbi/v2(带 wbi 签名)也返回 subtitles=[]。 DownKyi 能拿到是因为它带登录态。没有登录态就走 whisper 转写。
• 频道批量选题: yt_dlp --flat-playlist --print "%(id)s|%(duration)s|%(title)s" "https://space.bilibili.com//video" 只给 ID 不给标题/时长; 逐个 --skip-download --print "%(id)s|%(duration)s|%(title)s" 补元数据。 直接打 api.bilibili.com/x/space/arc/search 容易吃 -799 请求过于频繁。

1.5 抽帧探形态(30 秒, 决定后面字幕怎么处理)

bin/ffmpeg.exe -y -ss 300 -i download/src.mp4 -frames:v 1 -q:v 2 download/probe.png

看清两类源片:

• 动态画面(口播/实拍/动画) → 走默认: 源画面居中 + 外烧字幕
• 静态幻灯片/图文轮播 + 画面内嵌字幕 → 必须处理重复问题, 见下节 再跑 scripts/probe_subs_band.py 量出"内嵌字幕带"的像素行范围。

2. 提音频

bin/ffmpeg.exe -i download/src.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 download/src.wav

3. 两段式转写(关键性能策略)

4 核 CPU 上 small 模型转写全片 20-30 分钟音频要半小时以上, 所以分两步:

① 全片用 tiny 快速转写 + 生成 30 秒分块预览(只为选段):

python scripts/transcribe_full.py download/src.wav download/src_transcript.json download/preview_30s.txt
# 21分钟音频 -> 5分34秒(3.84x 实时), 651 段 / 43 块, 预览约 1 万字, 供主 agent 通读

tiny 有错字和繁体, 但足够判断内容结构。想看精确边界时再从 JSON 里打区间:

for s in js:
    if 1040 <= s['start'] <= 1200: print(s['start'], s['text'])

② 只精转选中的片段(用 small, 简体引导 + 内存降级):

python scripts/transcribe_clips.py     # 改脚本里的 CLIPS 时间戳

• initial_prompt="以下是普通话的句子，请使用简体中文输出。" 这句能显著减少繁体
• 实测: 97 秒音频 → 44 秒转完, 33 段, 简体, 质量明显优于 tiny
• small 还会自动纠正 tiny 的错(如 tiny 的"904的人/你而" → small 的"94%的人/尼尔")
• 异常时脚本按 small beam1 → small beam5 → tiny 逐级降级

4. LLM 选段(这步由主 agent 做, 是流水线最值钱的环节)

读 30 秒分块预览, 选 1-3 分钟片段, 优先这几类:

• 决策转折: 有戏剧性的临场改变(如"凌晨电话把5台发动机改9台")
• 可落地干货: 反常识数字对比(如"300万设备8.6万从废品站淘, 波音花3.75亿")
• 情绪爆点: 全书高潮(如"火箭落地那刻全员以为炸了")
• 反常识钩子: 一句能立住的颠覆性判断(如"统计数据看起来最科学, 但它经常撒谎")
• 金句升华: 适合收尾(如"多考察这些论据的来龙去脉") 避免选需要上下文铺垫的段落——切片是独立观看的。 时间戳要卡在句子边界(用第 3 步的区间打印确认), 不要在句子中间切。

5. 切片 + 横转竖 + 烧字幕 + 封面

python scripts/fix_terms.py                    # 先修专名+半角标点
python scripts/slice_vertical.py               # 默认: 裁源内嵌字幕带 + 模糊背景 + 烧字幕
python scripts/slice_vertical.py --no-crop --tag _原样   # 技能原样, 用于对比
python scripts/make_cover.py                   # 竖屏封面(改 __main__ 里的书名/金句)

横转竖用模糊背景填充(不是加黑边——黑边会被算法判为低质搬运):

crop=iw:ih-{DROP_BOTTOM}:0:0,          # 可选: 先裁掉源内嵌字幕带
split=2[bg][fg];
[bg]scale=1080:1920:force_original_aspect_ratio=increase,crop=1080:1920,gblur=sigma=28,eq=brightness=-0.06[bgout];
[fg]scale=1080:-2[fgout];
[bgout][fgout]overlay=(W-w)/2:(H-h)/2,subtitles='{srt}':force_style='FontSize=12,FontName=Microsoft YaHei,Outline=2,Alignment=2,MarginV=38,...'

字幕样式依据: libass 默认按 PlayResY=288 缩放 force_style, 实际像素 = 值×1920/288≈6.7 倍—— FontSize=12→约80px, MarginV=38→距底约253px, 正好落在下方模糊区, 不挡内容。 封面用 PIL 生成 1080×1920, 关键信息放中间 60% 安全区(视频号会裁上下)。

静态幻灯片/图文轮播源: 解决字幕重复

这类源片(读书号很常见)是一张静态书封 + 画面底部一行内嵌字幕。若照默认烧外字幕, 一屏会出现两套字幕。处理顺序:

1. 量内嵌字幕带位置(不要目测):

   python scripts/probe_subs_band.py download/src.mp4 24
   # 输出: 内容带 y ∈ [396, 531] 最多 24/24 帧命中
   #       内容带 y ∈ [605, 639] 最多 20/24 帧命中   <- 这条就是内嵌字幕带
   

   原理: 采 24 帧, 跳过左上角频道水印, 统计底部各行与背景色的差异像素数。
2. 设 slice_vertical.py 的 DROP_BOTTOM(1280×720 基准, 单位像素): DROP_BOTTOM = 120 → 裁掉 y≥600, 内嵌字幕带(605-639)整体消失, 而画面内容止于 531 不受影响。 裁剪后源变 1280×600, 居中占 y∈[707,1213], 下方模糊区更宽, 字幕更好放。
3. 不要用"干脆不烧字幕"(旧方案): 内嵌字幕是 720P 里的 ~30px 小字, 缩到 1080 宽后仅约 25px, 手机上看不清。裁源 + 烧自己的大字幕才是正解。
4. 裁多少由第 1 步实测值决定, 换视频要重量。

关键坑(血泪清单)

复用入口(换一个视频怎么做)

1. 下载 → -o download/src.mp4(文件名统一, 后面脚本都按这个路径写死)
2. 提音频 → download/src.wav; 抽帧 + probe_subs_band.py 定 DROP_BOTTOM
3. scripts/transcribe_full.py download/src.wav ... 出预览 → 主 agent 读预览选段
4. scripts/transcribe_clips.py 的 CLIPS 填 (序号, 起, 止, 标题)
5. scripts/fix_terms.py 的 TERMS 按新主题新增一组(社科/财经/人物…, 长词排前)
6. scripts/slice_vertical.py 的 CLIPS 填 (起, 止, 标题, 封面金句) + DROP_BOTTOM
7. scripts/make_cover.py 的 __main__ 改书名/金句/序号总数
8. 重跑: fix_terms.py → slice_vertical.py → make_cover.py
9. 抽帧验收: bin/ffmpeg.exe -ss <秒> -i output/clip1_*.mp4 -frames:v 1 verify.png

诊断工具: scripts/bench_transcribe.py [threads] —— 单模型计时+首段文本, 用来快速定位转写异常。

视频号发布提醒(人工环节, 无法自动化)

• 真人片头必须自己录(哪怕只 5 秒)——纯图文/无真人会被判低质限流, 200-500 播放封顶
• 视频号没有对个人开放的发布 API, 上传只能手动
• 竖屏 9:16 完播率比横屏高约 27%; 前 3 秒必须有钩子
• 千万别留微信号/外链; 口播引导"完整版看主页"是安全的