我用FFmpeg折腾了两个月，踩了所有坑，最后回到了原点——但赢了

作者：尔东陈在路上｜发布日期：2026-04-04｜原文：https://mp.weixin.qq.com/s/gcWZDJzyW1hWXXSczqTlmg

三个月前，我在推特上刷到一个博主分享FFmpeg，截图里是一串命令行代码。我的第一反应是：这跟我有什么关系？

然后我就迷进去了。

FFmpeg 是一个免费开源的视频处理工具，能做格式转换、剪切、合并、加字幕……几乎是视频处理领域的"瑞士军刀"。最吸引我的地方在于：它能在命令行运行，意味着可以被AI自动化控制。

对一个喜欢折腾工作流的人来说，这是一扇新开的门。

第一个真实场景来得很自然。公司内部做了一场AI通识培训，录下来的视频足足两个多小时。问题来了：谁有时间看完两小时录屏？

以前的做法是人工看完，再手动剪成主题片段。这次我换了个路子——

先把视频转成字幕文件，让AI根据内容识别主题边界，再用 FFmpeg 按时间戳自动剪切。

从想法到成品，前后不到两小时。分段清晰，完全可用。

这让我开始认真看待这个工具。

第二个场景稍微意外一些。有些网站的视频采用流式加载，没有直接下载按钮——那种看得到却够不着的感觉很让人抓狂。

这次我换了个思路：让AI分析网页的请求信息，找到视频流的真实URL，再用FFmpeg把它完整下载下来。不到十行代码，问题解决。

两个场景验证下来，FFmpeg的能力上限远超我最初的预期。我开始产生一个更大的念头：能不能用它自动生成播客视频？

公司营销有个需求：把播客音频变成可以在社交媒体传播的视频。听起来简单，实际上坑很多。

第一版是最朴素的：固定背景图 + 滚动字幕。用Python处理文字动画，快速跑出了MVP，能用，但视觉效果平平。

然后我开始追求更丰富的动画——进度条、浮现关键词、穿插其他片段……这时候FFmpeg开始露出它的局限：某些复杂合成效果，它做不了，或者实现起来极其繁琐。

朋友推荐我试试 Remotion。Remotion是一款动画工具，模板丰富，编排灵活，视觉效果明显更好。我认真学了一周，也让大模型尝试自动生成模板。

结果很现实：

**•**大模型推理生成Remotion模板的效果一般，调优成本高

**•**渲染导出时间太长——FFmpeg处理同等内容只需要几分钟，Remotion要几十分钟

⚡ 致命差距

对于需要批量产出内容的场景，几分钟和几十分钟的时间差是致命的。这个成本在功能对比时很少被提到，但会直接决定工具能不能进入日常流程。

我最终退回了FFmpeg，但换了个策略：在FFmpeg基础上叠加简单的气泡对话窗口动画，放弃极致视觉，追求"足够好用、足够快"。

这一圈，转了将近一个月。

视频问题解决了，声音又卡住了。

我们用 Listenhub 生成双人对话音频，却发现一个让人抓狂的问题：Listenhub会自动润色脚本，悄悄改掉一些措辞。对普通内容来说无所谓，但对严肃的业务场景，每一个字都必须按脚本来。

和客服来回沟通之后，找到了解法：用API的两段式调用——先提交文本生成音频ID，再单独传入精确的脚本内容，绕过系统的自动润色逻辑。

这个细节来来回回花了大半天。找到之后，整个工作流才算真正跑通了。

渲染时间是被低估的成本。 选工具时，大家通常比功能、比效果，很少比速度。但当你需要批量生产内容，几分钟和几十分钟的差距，会直接决定这个工具能不能进入你的日常工作流。

遇到边界，不是放弃，是绕过去。 FFmpeg有它做不到的事，但它可以和其他工具配合。ElevenLabs有它的限制，但API调用方式可以绕过。遇到墙，先想想有没有门。

念念不忘，必有回响。 只要你确定自己要拿到某个结果，就会一直在找可能性。那些看似难以解决的问题，往往只是还没找到正确的打开方式——不是没有答案，是你还没问到点子上。

从命令行里的一串代码，到跑通完整的播客视频生成流水线，这两个月的折腾没有白费。

虽然最后用的还是FFmpeg，但我对工具的理解，已经不是起点的那个我了。

你在做内容生产或视频处理时，踩过哪些坑？有没有比FFmpeg更顺手的方案？

欢迎在评论区分享，说不定能帮到和我一样在折腾的人。

—— 尔东陈在路上