整体思路：使用ffmpeg提取视频的音频，使用腾讯的音频识别文字接口（地址：API Explorer - 云 API - 控制台，所以里面也有包含腾讯接口v3签名的用法）（当然这里直接提取视频的字幕也是可以的，大厂都提供这些接口），提取返回的数据生成srt字幕，生成的字幕由人工智能洗一遍（这里我使用的是开源的openrouter里的大模型），生成合适的字幕，然后由ffmpeg割取片段，最后再合并视频片段就好了，整体逻辑很简单。如果易语言能对接大模型就好了（我现在是没找到），如果可以的或还有一种思路，腾讯的接口替换掉，使用国外的wispper模型，或者飞浆的paddlespeech都是可以的，这样就可以以本地为基础使用了
视频字幕懒得写了，感兴趣的可以研究一下ffmpeg
