必须先用文心AI完成专业级翻译再交由ElevenLabs生成语音，文心ERNIE 5.1保障术语一致性和逻辑保真度，ElevenLabs API输出带毫秒级时间戳的JSON用于精准字幕对齐，最后用FFmpeg合成多语种音视频。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要把中文讲解稿自动转成英、日、西三语配音，并同步生成带时间轴的字幕，最终合成多语种讲解视频——ElevenLabs负责语音生成与多语种对齐，文心AI负责文本翻译与语义润色，二者分工明确，不可颠倒顺序。
第一步：用文心AI做高质量多语种文本翻译
直接把中文原文丢给ElevenLabs让它“自动翻译”会出严重语义偏差，必须先由文心AI完成专业级翻译。文心大模型ERNIE 5.1在跨语言逻辑保真度上优于通用翻译API，尤其擅长技术类、教育类讲解文本的术语一致性处理。
登录文心智能创作平台 → 进入“多语种内容生成”模块 → 粘贴原始中文讲解稿（建议单次不超过800字，避免长句断裂）→ 在目标语言栏勾选“英语、日语、西班牙语” → 点击“智能润色+术语校准” → 等待3～5秒生成三组译文。
注意：生成后务必人工核对关键术语。例如“光合作用”在日语中必须为「光合成」而非机器直译的「光の作用」，否则ElevenLabs后续语音输出将无法匹配专业语境。
点击每条译文右侧的“复制纯净文本”按钮，分别保存为 【en_trans.txt】、【ja_trans.txt】、【es_trans.txt】，不带换行符、不带标点空格、不加引号。
第二步：用ElevenLabs API批量生成带时间戳的语音
这一步必须用API调用，Web界面无法导出 phoneme-level 时间戳JSON，而字幕对齐全靠这个数据。
方法一：curl命令行快速生成（适合单次三语）
打开终端，逐条执行以下命令（替换 YOUR_API_KEY 和对应 voice_id）：
curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/21m00Tcm4TlvDv9rO8fS" \
-H "xi-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"text":"'$(
cat en_trans.txt
)’,"model_id":"eleven_multilingual_v2","voice_settings":{"stability":0.35,"similarity_boost":0.75},"output_format":"mp3_44100"}' -o en_output.mp3
日语和西班牙语同理，只需更换 voice_id（如日语常用 `EXAVITQu4vr4xnSDxMaL`，西语常用 `AZn7PKA6ZQYVwB1FgE4z`）和输入文件（`ja_trans.txt` / `es_trans.txt`）。
方法二：Python脚本批量调度（推荐用于月度更新任务）
文心AI（Windows）基于文心大模型打造，适用于办公写作、内容创作与知识处理场景。最新版新增“全局AI快捷唤起”“本地文件深度解析2.0”“多任务并行Agent协作”以及“AI表格与PPT自动生成能力”，同时优化长文本理解与代码生成能力，让Windows用户可在任意软件中快速调用AI能力，实现更高效的办公与创作体验。
安装依赖：pip install elevenlabs
运行脚本时，确保当前目录下存在三个纯文本文件，且脚本中 【model_id 必须固定为 eleven_multilingual_v2】，否则返回的 alignment 字段结构不一致，后续字幕生成会失败。
脚本会自动下载音频 + 同步保存 `en_output.mp3.json` 等三组时间戳文件，每个JSON含 characters、start_seconds、end_seconds 三字段数组，精确到毫秒级。
第三步：用FFmpeg合成音视频并嵌入多语种字幕
你已有：原始画面视频（如 `lecture.mp4`）、三段MP3音频（en/ja/es）、三组VTT字幕（需从JSON生成）。
先用Python把 ElevenLabs 返回的 JSON 转成标准 VTT：
加载 `en_output.mp3.json` → 遍历 characters 数组，将连续空格或标点前的非空字符聚合成 word → 根据 start_seconds[0] 和 end_seconds[-1] 算出每词时间窗 → 合并相邻短于0.3秒的词块 → 输出为 `en_sub.vtt`，格式严格遵循 WebVTT 头部声明与时间轴语法。
执行合成命令：
ffmpeg -i lecture.mp4 \
-i en_output.mp3 -i ja_output.mp3 -i es_output.mp3 \
-i en_sub.vtt -i ja_sub.vtt -i es_sub.vtt \
-map 0:v -map 1:a -map 2:a -map 3:a \
-c:v copy -c:a aac -ar 44100 \
-metadata:s:a:0 language=eng -metadata:s:a:1 language=jpn -metadata:s:a:2 language=spa \
-vf "subtitles=en_sub.vtt:si=0,subtitles=ja_sub.vtt:si=1,subtitles=es_sub.vtt:si=2" \
-y multilingual_final.mp4
注意：-vf 中的 `si=N` 参数必须与 -map 的音频流顺序严格对应，错一位会导致日语配音配出西班牙文字幕。
