氛围编程与需求膨胀：小记一次音频处理的折腾

安迪给的，比尔就会拿走。神女应无恙，当惊世界殊。

昨晚利用 AI 辅助，没用 IDE，但也算是 vibe coding 地做了一个小工具：

  • 对着一个.mp3文件右键，选择「快速操作 - 音频双语翻译并选择视频」
  • 即可自动对音频转写出.srt字幕，并翻译成中文，然后合并成双语的.srt字幕
  • 同时会将 mp3 转为 mp4，用于播放视频时加载字幕

最初的折腾

最初我手里有一份 .mp3 的音频文件，我想快速看一下转写的英文，再丢进翻译软件里看一下中文。我大概知道现在的比较通用的转写（STT），基本都是各种 GUI 套开源 whisper 的壳。之前在 macOS 商店里安装过一个「Whisper Transcription」的软件，把音频文件丢进去，顺利得到了.srt 以及翻译成中文后的 .srt。

此时我手里已经有两份.srt了，想使用时发现了第一个问题：macOS 上的各类播放器，如 IINA、VLC 等，不支持播放音频时同时加载字幕文件，.lrc 都不行，更遑论.srt了。而且 .srt本身就是针对视频的字幕格式。

和 ChatGPT 聊了一下（此处感谢友人送的 Pro ，我狂用），给了诸多方案，选了一个「音频转视频」的方案，即用 ffmpeg 把音频直接转成视频。因为之前装过 ffmpeg 也用过，于是很顺手的又问了一嘴命令，直接在终端操作了。能跑，但是很慢，再问一嘴，原来是帧率的问题，从30帧改成1帧后，这个指令基本就算跑通了：

ffmpeg -i audio`.mp3` \
-f lavfi -i color=c=black:s=640x360:r=1 \
-shortest \
-c:v libx264 -preset ultrafast -crf 35 -pix_fmt yuv420p \
-c:a copy \
-movflags +faststart \
out`.mp4`

第一次膨胀：我要双语字幕

现在有了视频就可以加载.srt字幕了，此时我觉得加载双语字幕肯定是更合适的，因为直接转写+机翻后的误差还是存在的，于是打开了 IINA（macOS 上主流的开源播放器），然后意外地发现 IINA 的副字幕居然只能在视频最上方，不能调整。

这个过程里 GPT 基本是顺从性的骗人，我问怎么把 IINA 的副字幕挪到下方，煞有介事给我出了几个方案，我说你你说的这个参数没用，他就说，是的，IINA 是原生不支持的。最后确认了下 IINA 是基于 mpv 这个库来开发的，mpv 不支持，IINA 也没有额外支持。

这个时候我说：给我写个 pyhton 脚本，把这俩同名的.srt合并了吧，英文第一行中文第二行。这种公共知识型的代码还是很容易的，AI 很迅速地给了我一版，并且完全可用。

第二次膨胀：我要一键操作

但是这个时候依旧是要从终端开始 cd，手敲命令的。于是我问：我希望你帮我写一个在 mac 上可以直接运行的小工具，支持上面两个需求。AI 返了一个二合一的脚本，依旧还是麻烦。我继续追问：我该如何让这个工具更易用？

AI 给出了几个方案：

  1. 把脚本放到 bin 或者 PATH 里
  2. 用 Automator 或 Shortcuts
  3. 写 GUI

想了想，似乎 Automator（快速操作，苹果官方的一个图形化工作流软件），更可靠，成本更低。于是我说：用 Automator 的方案吧。GPT 给了一版，照例跑测后又修了一版。到这里，最多返回改一次代码，整体还是很顺利的。

分叉路：通知

这时注意到，Automator 执行完后没有返回通知，于是又让 GPT 加了一个通知。在这个地方卡了很多轮，最后发现似乎是 Automator 走不了 macOS 的系统通知，所以用 AppleScript 的弹窗来曲线救国了。

但因为是批量处理，我开始希望通知可以更完整地列表打印处理的文件名，而不是返回一个简单的计数。这里和 AI 聊了好几轮，代码总有 bug，因为报错的信息不完善（操作“运行 AppleScript”遇到了错误：未能完成操作。（com.apple.Automator 错误-212。））。最后我说：算了，不折腾了，改回原来那版。

第三次膨胀：我还要更一步到位

这个时候忽然想，反正反正 whisper 是开源模型，然后翻译我再调一下 API，为何不一键完成全流程（CLI Whisper + 翻译 + 合并字幕 + 转mp4）呢？

说干就干，和 GPT 讨论完之后他让我找模型（ggml-*.bin）放在本地，然后用 whisper-cpp。但是 whisper 模型我实在 openai 官网下的 .pt 文件，也懒得折腾了，问了两下之后很顺畅的放弃 whisper-cpp，转了 Python Whisper。

pip3 install -U openai-whisper

哈哈，又报错，跟我说还要创建一个虚拟环境：

python3 -m venv ~/venvs/whisper

继续追问最终的 Shell 脚本，又返了一轮报错，之后可用。针对翻译的 API-key 填在哪里又折腾了一下，最后依旧是懒得折腾，填在 shell 脚本里就完事。

然后依旧是进度问题，因为接入了转写和翻译，流程更长了，看不到进度很焦虑，又让优化了一版日志，直接在桌面输出一个.log 文件。macOS 这方面还挺好的，直接用终端打开.log，还能看到实时的更新。

总结与回顾：

到此为止这个需求逐渐膨胀的氛围编程就全部结束了。明显还可以优化的点就是 shell 脚本里的翻译模型是写死的，用的 gpt-4o-mini，后面看看有没有更好的转写+翻译方案。

回看整个两三个小时的折腾的历程，其实就是一件小事：

  1. 我的原始需求：存在一个音频文件，希望可以获得字幕并配合音频观看字幕
  2. 主要遇到的问题：macOS 上的播放器（如 IINA）不支持播放音频文件同时加载字幕

膨胀出来的新需求：

  1. 双语字幕的显示，IINA 不支持修改副字幕位置
  2. 傻瓜化的一键操作，返回通知或日志

折腾出出工具 1：automator 脚本，可以右键文件使用

  1. 使用Shell 脚本调用 python 脚本，AppleScript 返回弹窗
  2. 将文件夹内的 mp3 转 mp4，并且合并同名的中英文字幕

折腾出工具 2：同样automator 脚本，可以右键文件使用

  1. 完全使用 Shell 脚本
  2. 基于 whisper 模型本地转写 srt 字幕
  3. 调用 OpenAI 的 API 翻译并合并成双语字幕
  4. 将 mp3 转 mp4
  5. 以及整个进程的可视化日志

我们可以发现，在某些公共知识场域内，AI 效率非常之高，哪怕只是简单的对话模型，没有上 Agent，也可以当成产品+技术，来同时讨论需求和实现。

唯二的问题，一个是幻觉+谄媚导致的错误方案，其二是局部确实会卡住，比如这次的通知问题。这时需要自身对相关内容有一定的了解和判断，当遇到卡点时，能不能转圜一下，或者干脆该放弃就放弃。只要不陷入死磕状态，整个流程的效率确实是非常之高的。

这次折腾的过程，回过头来看比较有趣的是，这是一个需求逐渐膨胀的过程。就像安迪-比尔定律，「安迪给的，比尔就会拿走」，新硬件所提高的任何计算能力，新软件总是将其占满。一旦工具（AI）展露出解决能力的能力，就会提出新的问题，直到 AI 不再能解决（比如通知）。

回想上一次使用 automator 时，差不多还是七八年前，当时我还只是自己搞了个批量重命名去括号的工具，这次居然直接搞定了一个这么复杂的流程。

神女应无恙，当惊世界殊。