用Flow打造视频处理自动化流水线：切片、字幕、封面一键生成

做短视频、口播视频和直播回放时，最耗时间的往往不是拍摄，而是反复处理同一批素材。“Google Flow”在创作者圈里被提到时，很多人以为它只是一个简单的视频合并工具，其实里面藏了不少影片小工具，从自动切片、字幕生成到封面导出，都能用流程化方式组合起来。这篇文章会从工程角度，把这些小工具拆开，给你一套可以复现的视频处理 Flow 工作流。如果你平时要做批量视频处理、课程切片、短剧剪辑或者 AI 辅助创作，下面的内容可以直接模仿。先用一句话交代边界：不同版本和入口里，Flow 的界面和叫法不一定相同，所以这里以“工作流节点 + 命令行工具”的方式实现，你拿到自己的环境中也能落地。

这类工作流的本质，是把重复劳动交给脚本，让人只处理真正需要判断的部分。下面先解释 Google Flow 里的影片小工具到底在解决什么问题，再按“拆流程 -> 搭环境 -> 写工具 -> 跑验证 -> 排错 -> 上生产”的顺序，逐步搭出一条最小可运行的视频创作流水线。

1. 先理解 Google Flow 的影片小工具在解决什么问题

1.1 Flow 是什么，影片小工具又是什么

Flow 的核心含义是“把固定步骤编排成一条可重复执行的工作流”。视频创作看起来是创意工作，但其中大量步骤是重复的：导入素材、裁掉片头片尾、去掉静音、加字幕、生成封面、转成不同比例。Flow 把这些步骤抽象成一个个独立节点，每个节点只做一件事，节点与节点之间通过文件和清单传递结果，组合起来就是一条流水线。

影片小工具，可以理解为这条流水线上的功能节点。常见的节点包括：

• 切片节点：输入一个视频文件和一组时间区间，输出多个分段视频。
• 字幕节点：输入一条音轨，通过语音识别生成字幕文件。
• 封面节点：输入一行标题和一张底图，输出不同平台尺寸的封面。
• 转码节点：输入一个 MP4，输出适合 YouTube、视频号、短视频平台的格式。

这些节点不是必须绑定在一个大软件里，它们可以是命令、脚本，也可以是 Flow 编辑器里的可视化卡片。理解了这一点，后面写代码时就不会被界面限制住。

1.2 为什么它能省下一半创作时间

“省一半时间”的关键不是某一个工具速度快，而是“不用重复做同样动作”。

举例：一期 10 分钟的口播视频，常规操作是导进剪辑软件、放大时间线、手动切掉空白段、等语音识别字幕、再导出横版和竖版封面。一次做三五个视频还能接受，如果每周要出二十条，重复操作就非常消耗精力。Flow 的思路是把这些动作固化下来：素材丢进输入目录，一条命令自动完成切片、字幕、封面，人只需要处理真正需要判断的部分，比如检查字幕断句和标题文案。

所以真正省时间的是“批量”和“幂等”。批量指一批视频一次处理；幂等指重复运行同一个流程时，不会重复生成文件，也不会覆盖已经确认过的结果。后面给出的脚本都会围绕这两个特性来写。

1.3 适合什么场景，不适合什么场景

Flow 型影片小工具适合结构化、重复度高、不需要大量人工分镜的任务。典型场景如下：

如果你发现自己的任务几乎每次都要改参数、改规则，说明它还没到可以被 Flow 化的程度。先别急着搭工具，把手动流程跑顺再抽象。

2. 动手前先拆流程：四个节点对应四类小工具

2.1 素材入库节点

所有 Flow 都应该有一个干净的输入层。不要把拍摄视频直接丢给切片命令，而是先统一命名、复制到工作目录、生成一份清单。这个清单是后续所有节点的“流转单”，里面记录每个视频的源路径、文件名、时长、输出状态。

建议的目录结构如下：

video-flow/ ├── input/ # 原始素材，只读 ├── work/ # 中间文件：切片、字幕、封面 │ ├── clips/ │ ├── subtitles/ │ └── covers/ ├── output/ # 最终成片 ├── manifests/ │ └── manifest.json # 所有节点的执行记录 ├── tools/ │ ├── ingest.py │ ├── cut.py │ ├── subtitle.py │ └── cover.py └── Makefile

input 目录只存放原始素材，不生成任何中间文件；work 目录存放切片、字幕、封面；output 目录只放最终成片。这样就算中途跑错，也不会污染原始素材。

2.2 自动切片节点

切片的输入是 manifest 中“准备处理”的视频，输出是多个片段。切片方式有两种：

• 按时间区间切：适合已经知道每个片段起止点，比如直播回放的章节。
• 按静音检测切：适合口播视频去除空白段。ffmpeg 自带 silencedetect，可以输出静音开始和结束的时间。

切片节点要解决的核心问题不是“能不能切”，而是“切在哪里”。静音检测参数如果设置得太灵敏，会把正常呼吸停顿当成静音；设置得太宽松，又会保留很多空白段。这个参数没有万能值，需要根据口播节奏调。

2.3 字幕生成节点

字幕节点负责把音频转成文字。需要选择模型和语言，生成 SRT 文件。如果视频最后要发布到没有外挂字幕的平台，可以走 ffmpeg 烧录字幕；如果平台支持字幕文件，就不要烧录，保留原视频和 SRT 两个文件，画质更好，也方便后期修词。

字幕节点最常见的坑不是识别率低，而是时间轴和断句。断句不对，读者看起来会很累；时间轴偏移，字幕和声音对不上。所以字幕节点生成的不应该只是纯文本，而是带时间信息的 SRT。

2.4 封面与转码节点

封面节点用固定模板生成横版和竖版封面，适合批量发布。转码节点负责统一编码和重新封装，比如把素材压成 H.264 + AAC 的快传格式，或者按平台要求生成 16:9 和 9:16 两个版本。

封面节点必须考虑字体和文字溢出。很多人第一次写封面脚本时，只用默认字体，结果中文全是方框，或者标题太长直接超出画面。这些问题可以在生成时通过换行和文字宽度计算来规避。

2.5 为什么每个节点必须是独立小工具

如果四个功能写在一个大脚本里，改一处可能影响全部。独立小工具的好处是：

1. 每个节点都有明确输入输出，可以单独测试。
2. 某个节点失败，只需要重跑该节点。
3. 后续可以替换实现，比如把本地语音识别换成 API，不影响切片和封面。
4. 新项目可以复用同一个切片脚本，只改参数。

也就是说，Flow 的价值不在于“一个脚本干完所有事”，而在于“每个小工具都能被独立替换、独立调试、独立扩展”。

3. 搭建最小可运行的 Flow 视频小工具链

3.1 环境准备

下面以 Ubuntu / macOS 终端为例。Windows 可以装 WSL2，或者用 Git Bash，但路径和字体路径要改。

mkdir -p video-flow/{input,work/clips,work/subtitles,work/covers,output,manifests,tools} cd video-flow python3 -m venv .venv source .venv/bin/activate pip install faster-whisper pillow

ffmpeg 用系统包管理器安装：

# Debian/Ubuntu sudo apt install ffmpeg # macOS brew install ffmpeg

检查安装：

ffmpeg -version | head -n 1 ffprobe -version | head -n 1

到这里，学习环境已经够用。如果你的视频素材放在 Google Drive 或其他网盘，后续可以加一步同步。如果在 Colab 上运行，要先把 runtime 切到 GPU，否则语音识别会比较慢。

3.2 素材入库脚本

tools/ingest.py负责扫描 input 目录，读取每段素材的时长，并把信息写入 manifest.json：

import json import pathlib import subprocess import sys INPUT_DIR = pathlib.Path("input") MANIFEST_PATH = pathlib.Path("manifests/manifest.json") ALLOWED = {".mp4", ".mov", ".mkv", ".avi"} def duration(path): cmd = ["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "default=noprint_wrappers=1:nokey=1", str(path)] out = subprocess.check_output(cmd, universal_newlines=True).strip() return float(out) def main(): files = [p for p in INPUT_DIR.rglob("*") if p.suffix.lower() in ALLOWED] records = [] for f in files: records.append({ "source": str(f), "filename": f.stem, "suffix": f.suffix, "duration": duration(f), "clips": [], "subtitle": None, "cover": None, "status": "ready", }) MANIFEST_PATH.write_text(json.dumps(records, ensure_ascii=False, indent=2), encoding="utf-8") print(f"ingested {len(records)} videos") if __name__ == "__main__": main()

这里用 ffprobe 读时长，是为了后续切片时能始终知道整段视频的结束时间。manifest.json 是所有节点的唯一数据源。入库脚本应该尽量轻量，不要做太多业务判断。

3.3 自动切片脚本

tools/cut.py调用 ffmpeg 的 silencedetect 检测静音，再把静音区间外的内容切出来：

import json import pathlib import re import subprocess MANIFEST_PATH = pathlib.Path("manifests/manifest.json") WORK_CLIPS = pathlib.Path("work/clips") def detect_silence(video, noise=-30, duration=0.5): cmd = ["ffmpeg", "-i", str(video), "-af", f"silencedetect=noise={noise}dB:d={duration}", "-f", "null", "-"] result = subprocess.run(cmd, capture_output=True, text=True) log = result.stderr pattern = re.compile(r"silence_(start|end): ([0-9.]+)") events = [] for match in pattern.finditer(log): events.append((match.group(1), float(match.group(2)))) ranges = [] for i in range(0, len(events) - 1, 2): start = events[i][1] end = events[i + 1][1] if end - start > 0.8: ranges.append((start, end)) return ranges def main(): records = json.loads(MANIFEST_PATH.read_text(encoding="utf-8")) for rec in records: video = pathlib.Path(rec["source"]) silences = detect_silence(video) clip_start = 0.0 clip_index = 0 for start, end in silences: if start - clip_start >= 3.0: out = WORK_CLIPS / f"{video.stem}_clip{clip_index:02d}.mp4" subprocess.run([ "ffmpeg", "-y", "-i", str(video), "-ss", str(clip_start), "-to", str(start), "-c", "copy", str(out) ], check=True) rec["clips"].append({"start": clip_start, "end": start, "file": str(out)}) clip_index += 1 clip_start = end if rec["duration"] - clip_start >= 3.0: out = WORK_CLIPS / f"{video.stem}_clip{clip_index:02d}.mp4" subprocess.run([ "ffmpeg", "-y", "-i", str(video), "-ss", str(clip_start), "-to", str(rec["duration"]), "-c", "copy", str(out) ], check=True) rec["clips"].append({"start": clip_start, "end": rec["duration"], "file": str(out)}) rec["status"] = "cut" MANIFEST_PATH.write_text(json.dumps(records, ensure_ascii=False, indent=2), encoding="utf-8") if __name__ == "__main__": main()

这段脚本用了-c copy，速度很快，但时间精度依赖关键帧。素材每隔一两秒一个关键帧时问题不大；如果关键帧间隔很大，切片点会被拉到最近的关键帧，需要重新编码才能精确定位。生产环境建议根据素材实际情况决定是否去掉-c copy。

3.4 字幕生成脚本

tools/subtitle.py使用 faster-whisper 对每个切片生成 SRT：

import json import pathlib from faster_whisper import WhisperModel MANIFEST_PATH = pathlib.Path("manifests/manifest.json") WORK_SUBS = pathlib.Path("work/subtitles") MODEL_SIZE = "small" DEVICE = "cpu" COMPUTE_TYPE = "int8" def format_ts(seconds): ms = int((seconds % 1) * 1000) s = int(seconds) h = s // 3600 m = (s % 3600) // 60 s = s % 60 return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}" def to_srt(segments): lines = [] index = 1 for segment in segments: start = segment.start end = segment.end text = segment.text.strip() lines.append(str(index)) lines.append(f"{format_ts(start)} --> {format_ts(end)}") lines.append(text) lines.append("") index += 1 return "\n".join(lines) def main(): model = WhisperModel(MODEL_SIZE, device=DEVICE, compute_type=COMPUTE_TYPE) records = json.loads(MANIFEST_PATH.read_text(encoding="utf-8")) for rec in records: if not rec["clips"]: continue for clip in rec["clips"]: clip_path = pathlib.Path(clip["file"]) segments, info = model.transcribe(str(clip_path), language="zh") srt_text = to_srt(segments) out = WORK_SUBS / f"{clip_path.stem}.srt" out.write_text(srt_text, encoding="utf-8") clip["subtitle"] = str(out) MANIFEST_PATH.write_text(json.dumps(records, ensure_ascii=False, indent=2), encoding="utf-8") if __name__ == "__main__": main()

language="zh"只适合中文素材，如果素材中有大量英文，需要去掉这个参数让模型自动识别。模型首次运行会下载到本地目录，之后可以离线使用。CPU 环境建议用 small 加 int8，GPU 环境可以换 medium 或 large-v3 加 float16。

3.5 封面生成脚本

tools/cover.py用 Pillow 生成横版和竖版封面：

import json import pathlib from PIL import Image, ImageDraw, ImageFont MANIFEST_PATH = pathlib.Path("manifests/manifest.json") WORK_COVERS = pathlib.Path("work/covers") SIZES = {"landscape": (1920, 1080), "portrait": (1080, 1920)} def make_cover(title, bg=(24, 24, 24), fg=(255, 255, 255), size=(1920, 1080), font_path=None): img = Image.new("RGB", size, bg) draw = ImageDraw.Draw(img) font = ImageFont.load_default() if font_path: font = ImageFont.truetype(font_path, 60) lines = title.split("\n")[:3] y = size[1] // 2 - len(lines) * 40 // 2 for line in lines: text_width = draw.textlength(line, font=font) x = (size[0] - text_width) // 2 draw.text((x, y), line, font=font, fill=fg) y += 80 return img def main(): records = json.loads(MANIFEST_PATH.read_text(encoding="utf-8")) for rec in records: for kind, size in SIZES.items(): title = rec["filename"].replace("_", " ") out = WORK_COVERS / f"{rec['filename']}_{kind}.jpg" img = make_cover(title, size=size) img.save(out, quality=85) rec[f"cover_{kind}"] = str(out) MANIFEST_PATH.write_text(json.dumps(records, ensure_ascii=False, indent=2), encoding="utf-8") if __name__ == "__main__": main()

字体文件的位置因系统而异：macOS 常见/System/Library/Fonts/PingFang.ttc，Windows 常见C:/Windows/Fonts/msyh.ttc，Linux 可以安装fonts-noto-cjk后使用 NotoSansCJK。如果image.load_default()显示中文乱码，就必须传入字体路径。

3.6 用 Makefile 串起来

为了让整套流程一条命令执行，可以在项目根目录写一个 Makefile：

.PHONY: prepare cut subtitle cover all prepare: python tools/ingest.py cut: prepare python tools/cut.py subtitle: cut python tools/subtitle.py cover: prepare python tools/cover.py all: prepare cut subtitle cover

这样执行make all会依次走完素材入库、切片、字幕、封面四个阶段。每个阶段只依赖前一个阶段产生的 manifest，所以想单独跑切片，也可以先手动执行make prepare再python tools/cut.py。

4. 核心参数和原理：为什么这样配置

4.1 silencedetect 的参数要多试几次

ffmpeg 的静音检测主要看两个参数：noise和duration。

建议先拿一段 3 分钟的视频测试，打印出所有检测到的静音区间，再决定阈值。直播回放通常环境音稳定，noise=-35比较合适；室内口播通常-30左右即可。不要照抄网上的参数，不同麦克风差距很大。

4.2 faster-whisper 的模型和精度取舍

语音识别速度和质量直接受模型影响。下表是常见组合：

如果字幕错字率太高，先换 medium 而不是直接上 large-v3，因为 large-v3 在 CPU 上可能慢到无法接受。批量处理时，建议每段视频单独转写，这样单个视频失败不会连累整批。

4.3 封面尺寸和文字安全区

多平台封面尺寸差别不大，但文字安全区很关键。横版 1920x1080 在视频播放器里会被上下遮挡一部分，竖版 1080x1920 在列表页会被裁掉左右两边。安全区通常建议留出 10% 边距，也就是文字不要超过中心 80% 的区域。

脚本里通常用标题换行来避免溢出，最多显示三行。超过三行时应该截断，而不是缩小字号，否则小屏设备看不清。

4.4 manifest.json 是节点之间的契约

manifest.json 的结构会直接影响所有节点。下面是一个简化示例：

{ "source": "input/口播第01期.mp4", "filename": "口播第01期", "duration": 610.5, "clips": [ { "start": 0.0, "end": 8.2, "file": "work/clips/口播第01期_clip00.mp4", "subtitle": "work/subtitles/口播第01期_clip00.srt" } ], "cover_landscape": "work/covers/口播第01期_landscape.jpg", "cover_portrait": "work/covers/口播第01期_portrait.jpg", "status": "done" }

所有节点不直接互相调用，而是通过这个文件交换信息。这样替换字幕模型、修改封面尺寸，都不需要动切片脚本。生产环境里，manifest 还要加上uuid、created_at、`