2 小时录像 → 可检索图文纪要：一条不重编码的本地流水线

0. 先定产物，再动手

很多人拿到录像的第一反应是「打开剪辑软件」。停下。会议、课程、访谈这类长视频，你要的通常不是一段剪好的片子，而是三样东西：

• notes.md —— 带 [00:42:10] 时间戳的图文纪要，可以全文搜索
• chapters.txt —— 章节元数据，写回 MP4，播放器进度条上能直接跳
• audio.srt —— 逐句字幕，备用

1. 目录与工具

work/
├── raw/      # 原始录像，只读，永不修改
├── audio/    # 抽出的音轨
├── asr/      # 转写结果
└── out/      # 最终产物

工具只需要两个：ffmpeg（6.0+，含 ffprobe）和 whisper.cpp（本地转写，音频不出机器）。

2. 体检：先 ffprobe，别急着转码

ffprobe -v error \
  -show_entries stream=index,codec_type,codec_name,channels,sample_rate,channel_layout,duration \
  -of default=noprint_wrappers=1 raw/meeting.mp4

重点看三件事：

• 音轨数量。 线上会议录制常见双音轨（本地麦克风 + 系统声）。只抽第一条，对方说的话全丢。
• 声道布局。 标着 stereo，但左右声道其实是两个不同的人——这不是立体声，是「双单声道」。直接 downmix 会把两个人叠在一起，转写质量断崖下跌。
• 时长是否一致。 容器时长和音轨时长差几秒很常见，后面所有时间戳要以音轨为基准。

ffmpeg -i raw/meeting.mp4 -t 30 -af "pan=mono|c0=c0" -y /tmp/L.wav
ffmpeg -i raw/meeting.mp4 -t 30 -af "pan=mono|c0=c1" -y /tmp/R.wav

如果两边是不同的人，走分轨路线，别 downmix：

ffmpeg -i raw/meeting.mp4 -map 0:a:0 -af "pan=mono|c0=c0" \
  -ar 16000 -c:a pcm_s16le -y audio/ch0.wav

分别转写、分别标记说话人，最后按时间戳合并。这一步做对，后面省两小时。

3. 抽音频：16k 单声道 PCM

ffmpeg -i raw/meeting.mp4 -vn -ac 1 -ar 16000 -c:a pcm_s16le -y audio/full.wav

要点：

• 16000 Hz 是 ASR 的标准输入，再高没有收益，只会拖慢转写。
• 用 pcm_s16le，别用 mp3/aac，有损编码引入的伪影会变成转写错误。
• 这一步不要做响度归一化。 先看电平：

ffmpeg -i audio/full.wav -af volumedetect -f null - 2>&1 | grep mean_volume

mean_volume 低于 -30 dB 才考虑统一加增益，用 -af volume=12dB。不要上 loudnorm，它会改变时间轴上的动态，对识别没有帮助，还可能让 whisper 的时间戳变差。

4. 转写：先跑 5 分钟试片

whisper-cli -m models/ggml-large-v3-turbo-q5_0.bin \
  -f audio/full.wav \
  -l zh \
  --output-srt --output-json \
  -of asr/full \
  -t 8

正式跑之前必须试片：

ffmpeg -i audio/full.wav -t 300 -c copy -y audio/probe.wav

试片要确认的只有一件事：专有名词。产品名、人名、缩写被听错是最常见的问题。把试片里错的词整理成一份替换表，正式转写后用 sed 批量改——比用 prompt 提示更快、更可控、更可复现。

时间预算：2 小时音频，large-v3-turbo 量化版在 8 核 CPU 上约 20–35 分钟，M 系芯片约 8–15 分钟。

5. 章节切分：两个信号叠加

不要凭感觉切。只用两个客观信号。

信号 A：静音间隔。

ffmpeg -i audio/full.wav -af silencedetect=noise=-32dB:d=1.2 -f null - 2>&1 | grep silence_end

输出形如 silence_end: 1843.21 | silence_duration: 2.14。

信号 B：转写文本里的转折词。 从 SRT 里抓这些词最近一次出现的时间戳：接下来、第二个问题、我们看下一、好，那、总结一下、最后。

切分规则，写成脚本跑：

• 候选边界 = 静音结束点 ∩ 转折词时间戳 ±15 秒
• 章节最短 3 分钟。短于 3 分钟的候选点直接丢掉，否则会切出 40 个碎章，比不切还难用
• 首章从 0 开始，末章到音轨末尾

6. 写 chapters.txt 并烧回 MP4

;FFMETADATA1
title=产品评审会 2026-10-05
[CHAPTER]
TIMEBASE=1/1000
START=0
END=372000
title=00:00 开场与议程确认
[CHAPTER]
TIMEBASE=1/1000
START=372000
END=1154000
title=06:12 上季度数据复盘
[CHAPTER]
TIMEBASE=1/1000
START=1154000
END=2100000
title=19:14 定价方案分歧

时间单位是毫秒，START/END 来自上一步的秒数 ×1000。

写回原片，不重编码：

ffmpeg -i raw/meeting.mp4 -i out/chapters.txt \
  -map_metadata 1 -map 0 -c copy -y out/meeting_chaptered.mp4

两个参数缺一不可：-map_metadata 1 用第二个输入（章节文件）的元数据覆盖；-map 0 保证原片所有流都被拷过去（多音轨、字幕轨一个都不能少）。

校验：

ffprobe -v error -show_chapters -of default=noprint_wrappers=1 out/meeting_chaptered.mp4

7. 生成可检索纪要

从 SRT 出发，按章节边界聚合，每章保留 3–5 条要点句。挑句规则不用 AI 也够用：

• 单句长度 > 12 字
• 不以「嗯 / 那个 / 就是说」开头
• 含数字、日期、人名，或决策动词（决定 / 确认 / 延期 / 由谁负责）
• 同一章内按时间排序，最多 5 条

## 06:12 上季度数据复盘
[▶ 06:12](meeting_chaptered.mp4#t=372)
09:40 上季度转化率 3.2%，环比下降 0.4 个点
12:05 决定把投放预算从 A 渠道切 30% 到 B 渠道
15:30 数据口径有争议：是否含退款单，待财务确认

8. 三条避坑

• 不要在 -c copy 之外对原片做任何处理再写章节。 一旦重编码，时间戳基准可能变，章节会整体偏移。
• 不要把 SRT 时间戳直接当章节边界。 一句话一行的粒度太碎，章节必须是「话题级」的。
• 不要删原始音轨。 转写必然有错，唯一的真相来源是音频；纪要和字幕都只是索引，不是存档。