企业官网建设流程全解析

给技术视频自动加字幕：蓝耘元生代 + Whisper 批处理实战，100 条视频成本不到 3 块钱

最近做了不少技术分享视频，每次最烦的就是加字幕——要么手动敲，要么用剪映一句句对，费时费力。今天分享一个自动化方案：本地 Whisper 转录 + 蓝耘元生代 LLM 智能优化，批量给视频加字幕，实测一条 2 分钟视频成本0.027 元。

一、为什么不用纯 Whisper？

先说结论：Whisper 转录够用，但不够好看。

直接上 Whisper 的输出效果：

开发者朋友们好科技圈今天热闹不减五分钟带你看重点 Mistral AI 发布旗舰模型 Mistral Large 2 法国 Mistral AI 正式发布旗舰模型 Mistral Large 2推理代码和多语言能力全面升级

问题很明显：

• 没有标点，一口气读不完
• 分段生硬，一句话被切成两半（第 5、6 条）
• 术语不统一，“github” 和 “GitHub” 混着来

所以我的方案是：Whisper 负责听写，蓝耘 LLM 负责润色。

二、整体架构

整个平台就三个模块，Python + FastAPI + Vue3：

为什么选蓝耘做 LLM 优化？

1. 便宜：deepseek-v4-flash 约 ¥0.001/1K tokens，一条视频字幕优化用 2.7w tokens，成本 3 分钱
2. 快：相比 GPT-4，响应速度更快，批量处理不卡顿
3. OpenAI 兼容：直接改base_url就能接入，代码零改动

三、核心代码实现

3.1 蓝耘 LLM 字幕优化（关键代码）

这是整个平台的核心——把 Whisper 的原始输出送给蓝耘优化：

asyncdef_optimize_with_lanyun(self,segments,options):"""用蓝耘 LLM 优化字幕"""# 构造 prompt：告诉 LLM 要做什么优化option_desc="\n".join([f"-{OPTIMIZE_OPTIONS[o]}"foroinoptions])# 把带时间轴的字幕喂给 LLMtext_with_time="\n".join([f"[{s['start']}-{s['end']}]{s['text']}"forsinsegments])system_prompt=f"""你是一个专业的视频字幕编辑师。请对以下视频字幕进行优化： 优化要求：{option_desc}原始字幕（格式：[开始时间 - 结束时间] 文本）：{text_with_time}请以 JSON 格式返回优化后的字幕数组，每个元素包含：start、end、text 注意： 1. 保持时间轴基本不变，只做微调 2. 术语校正要准确（如 "github" → "GitHub"） 3. 只返回 JSON，不要其他解释 """# 调用蓝耘 API（OpenAI 兼容格式）response=awaitself.lanyun.chat.completions.create(model="deepseek-v4-flash",# 蓝耘上的模型messages=[{"role":"system","content":"你是专业的视频字幕编辑师。"},{"role":"user","content":system_prompt},],temperature=0.3,# 低温度，保证稳定性)# 解析返回的 JSONoptimized=self._parse_llm_response(response.choices[0].message.content,segments)# 记录 token 消耗（成本统计用）total_tokens=response.usage.total_tokens cost=total_tokens*0.001/1000# deepseek-v4-flash 价格returnoptimized,total_tokens,cost

关键点：

• base_url指向蓝耘：https://maas-api.lanyun.net/v1
• response_format我没用，因为蓝耘某些模型不支持，改为 prompt 里强调「只返回 JSON」
• 超时设了 120 秒，防止某条视频卡住整个队列

3.2 批量处理队列

FastAPI 的BackgroundTasks做异步队列，不阻塞上传接口：

@app.post("/api/process")asyncdefprocess_video(req:ProcessRequest,background_tasks:BackgroundTasks):"""开始处理视频"""# 更新状态awaitdb.update_task(req.task_id,status="processing",progress=0)# 后台执行，不阻塞响应background_tasks.add_task(processor.process,task_id=req.task_id,whisper_model=req.model,llm_optimize=req.llm_optimize,burn_subtitle=req.burn_subtitle,)return{"task_id":req.task_id,"status":"processing"}

前端每 2 秒轮询/api/task/{task_id}拿进度，体验类似剪映的「导出进度条」。

四、实测效果

4.1 测试视频

用的是我之前做的「AI 日报」视频（daily-news-10月7日.mp4）：

• 时长：2 分 07 秒
• 大小：12.64 MB
• 内容：科技新闻播报（Mistral、Reflection、Polars、DeepSeek、Claude Mem）

4.2 处理过程

4.3 优化前后对比

优化前（纯 Whisper）：

开发者朋友们好科技圈今天热闹不减五分钟带你看重点 Mistral AI 发布旗舰模型 Mistral Large 2

优化后（蓝耘 LLM）：

开发者朋友们好，科技圈今天热闹不减，五分钟带你看重点。 Mistral AI 发布旗舰模型 Mistral Large 2。

明显变化：

• ✅ 加了标点，读起来不喘
• ✅ 长句合理分段（第 5-6 条原本是一句，现在拆成两条，时间轴对齐）
• ✅ 术语统一（“github” → “GitHub”，“js” → “JavaScript”）

4.4 平台界面

界面功能一目了然：

• 统计卡片：总任务、已完成、蓝耘 Token 消耗 2.7w、预估成本 ¥0.0271
• 上传区：支持拖拽上传 MP4/MOV/AVI
• 任务列表：实时进度条、Whisper 模型、Token 消耗、完成时间

4.5 任务详情与结果下载

任务卡片显示：

• 状态：已完成（绿色标签）
• Whisper 模型：whisper-base
• 蓝耘 Token：27,077
• 预估成本：¥0.0271
• 三个下载按钮：SRT 字幕、带字幕视频、JSON 结果

底部蓝耘品牌区明确标注：Base URL: maas-api.lanyun.net，Model: deepseek-v4-flash，OpenAI 兼容协议。

任务卡片特写，三个下载按钮清晰可见：SRT 字幕（蓝色）、带字幕视频（绿色）、JSON 结果（紫色）。

4.6 带字幕视频效果

片头效果：主标题「模型大战与开源工具上新」，底部字幕条显示「开发者朋友们好，科技圈今天热闹不减，五分钟带你看重点。」——有标点、分段合理。

Mistral 片段：右上角标签「大模型 Mistral AI」，底部字幕「法国 Mistral AI 正式发布旗舰模型 Mistral Large 2，推理、代码和多语言能力全面升级。」——术语准确，时间轴对齐。

4.7 JSON 结果与文件输出

VSCode 里打开1ffd1a2e_result.json，结构清晰：

• task_id、filename、whisper_model
• segments_count: 28
• 每条字幕含id、start、end、text
• llm_optimized: true、llm_tokens: 27077、llm_cost: 0.027077

下载到本地的三个文件：

• 1ffd1a2e.srt— 标准字幕文件，可导入剪映/PR
• 1ffd1a2e_result.json— 完整结构化数据
• 1ffd1a2e_subtitled.mp4— 硬字幕视频，直接发 B 站/视频号

4.8 蓝耘控制台

蓝耘控制台模型广场，能看到deepseek-v4-flash在列，支持文本生成，上下文 32K。平台还提供了 Kimi、MiniMax、GLM、Qwen 等主流模型，一个 Key 全部可调。

五、成本核算

这是大家最关心的。实测数据：

批量 100 条视频的成本：

100 条 × ¥0.027 = ¥2.7

对比人工：

• 人工听打：一条 2 分钟视频至少 10 分钟，时薪 ¥50 算，成本 ¥8.3/条
• 剪映自动字幕：免费但准确率低，专业词汇错误多
• 其他 API：某些语音转文字 API 按分钟收费，¥0.5-2/分钟

结论：100 条视频，人工要 830 块，蓝耘方案不到 3 块钱。

六、踩坑记录

1. 蓝耘不支持response_format: json_object

   • 某些模型会报错或卡住，解决：prompt 里强调「只返回 JSON」，然后代码里解析

2. Whisper 模型下载慢

   • 第一次跑要下载 139MB 模型，解决：启动时预加载，或换 tiny 模型（39MB）

3. FFmpeg 路径问题

   • Windows 下要配环境变量，解决：代码里检测，没有就提示安装

4. 长视频 LLM 上下文超限

   • 5 分钟以上视频字幕太多，一次喂给 LLM 会超 token，解决：分段优化，每 20 条一批

七、总结

这个方案的核心思路是**「本地做重活，云端做精活」**：

• 本地 Whisper：免费、隐私好、不依赖网络，负责把语音变成文字
• 蓝耘 LLM：便宜、快速、OpenAI 兼容，负责把文字变得可读

蓝耘在这里的价值不是「替代 Whisper」，而是**「让 Whisper 的输出变得可用」**。2.7w tokens 换来标点、分段、术语校正，性价比很高。

如果你也要批量处理视频字幕，建议：

1. 先用whisper-base试一条，看准确率够不够
2. 蓝耘模型选deepseek-v4-flash，便宜够用
3. 一定要开「智能分段」，不然长句读起来很累

技术方案经历了一次关键调整：最初计划调用蓝耘的 Whisper 接口做语音转录，实测后发现蓝耘平台现有的 6 个 speech 模型均为 TTS（文本转语音），不支持语音转文字。于是架构改为「本地 Whisper 转录 + 蓝耘 LLM 字幕优化」的混合方案——本地 whisper-base 模型负责语音识别的重活，蓝耘 deepseek-v4-flash 负责它最擅长的语义理解：智能分段、标点补全、术语校正。这一调整反而更贴合 MaaS 平台的定位：让大模型做语义层增值，而非替代所有环节。

平台实现采用 FastAPI + Vue3 的前后端分离架构，包含上传、处理、进度查询、下载、统计六个核心接口，SQLite 记录任务流水。处理管线为：FFmpeg 提取音频 → Whisper 转录 → 蓝耘 LLM 优化 → 生成 SRT → FFmpeg 烧录硬字幕。前端界面实时展示任务进度条和蓝耘 Token 消耗/成本统计，让每一分钱的开销都透明可见。

实测效果令人满意：一段 12.64 MB 的每日科技新闻视频，生成 28 条字幕，蓝耘仅消耗 27,077 tokens，成本0.027 元——不到 3 分钱就完成了整段视频的字幕语义优化。优化后的字幕标点完整、分段自然，“Mistral AI”“405B” 等专业术语全部识别正确。烧录后的视频画面清晰、字幕与语音同步精准。

踩坑记录也有价值：蓝耘 chat 接口暂不支持response_format: json_object参数，导致首次调用卡死，去掉该参数并增加 120 秒超时后恢复正常；服务部署时还需注意工作目录与相对路径的解析问题。

结论：蓝耘元生代 MaaS 以极低的调用成本（deepseek-v4-flash 每百万 token 约 1 元）提供了可靠的语义理解能力，配合本地开源模型，开发者可以用"混合架构"低成本搭建实用的 AI 应用。单条视频字幕优化 3 分钱的成本，意味着批量处理 1000 条视频也只需 30 元——这正是 MaaS 模式对中小开发者的核心价值：把大模型的能力，变成人人用得起的生产力工具。