本文由 辛梓煜@词元二号站（www.ciyuanerhao.com）撰写，转载请注明出处。
快速摘要
如果你只想要结论，这一段先给你钉死：现在的 NotebookLM 已经能把你上传的任何一份资料，自动压缩成一支约 60 秒、竖屏 9:16 的"短视频摘要"，画面由 Google 的 Nano Banana 2 Lite 图像模型生成，质感比过去的图文摘要高一大截。这个新的竖屏短视频格式在目前的推出阶段是英文优先的（要先讲清楚：NotebookLM 更早的长视频摘要早已支持含中文在内的 80 多种语言，这里单指刚上线的竖屏短视频这个新格式）；如果你就想要这个竖屏格式的中文配音字幕版，或者想把手头任意一支英文视频本地化，思路是——把英文成片下载下来，交给一个"AI 编程代理"（Antigravity / Codex / Claude Code 都行），用一把 Gemini API Key，跑一条"语音识别 → 翻译 → 中文语音合成（TTS）→ FFmpeg 合成"的流水线，全程几乎零成本、零剪辑功底。 这套方法真正值钱的不是某个按钮在哪里，而是"让 AI 代理帮你把一件重复的工程活自动跑完"的工作范式。
整篇文章我会从零讲起：NotebookLM 的短视频功能到底是什么、Nano Banana 2 Lite 凭什么让画面起飞、怎么建笔记本、怎么切出短视频、怎么拿 API Key、怎么给代理写任务提示词、三个关键产物（SRT 字幕 / 中文语音 / 成片）分别怎么来，最后附上我自己一路踩过的坑。想看完整拆解，往下翻。
一、先把这件事说清楚：我们到底在折腾什么
先别急着打开任何软件。我发现很多人一上来就跟着点按钮，点到一半彻底懵掉，就是因为没搞清楚这条链路的"骨架"。所以第一节我不讲操作，只讲脉络。
这两年 AI 内容工具进化得有点吓人。以前你要把一份几十页的资料"消化"掉，只能自己读，或者让工具生成一段文字摘要。后来 NotebookLM 加了音频摘要，能把资料读成两个人对谈的"播客"。再后来它能出图文并茂的长视频。而现在，它把最流行的短视频形态也接了进来——你丢一份 PDF、一份笔记、几个网页链接进去，它给你吐一支竖屏小视频，配画面、配旁白、配动态字幕，一分钟看完一份长文档的核心。
问题在哪儿？这个刚上线的竖屏短视频格式，在目前的推出阶段是英文优先的。 这里得说准一点，免得你误会：NotebookLM 更早的那种长视频摘要（16:9 的演示型长片），其实早就支持了包括中文在内的 80 多种语言，输出语言在生成前还能自己挑。真正暂时"只出英文"的，是这个新加的竖屏短视频格式——它跟其他新功能一样，上线初期先出英文，多语言随后再跟上。所以对想用这个新格式的中文创作者来说，一支英文竖屏视频没法直接用。于是就有了本文的核心任务：
把 NotebookLM 生成的英文短视频，本地化成一支自然口语的中文配音、带中文字幕、时间轴尽量对齐原片的成品。
先把话说在前头，免得你白忙活：如果你要的只是"中文视频摘要"、并不在乎是不是竖屏短片，那你根本不用走这条流水线——直接用长视频摘要、在生成前把输出语言选成中文就行。 这条本地化流水线真正的适用场景有两个：一是你确实想要那个新的竖屏短视频格式的中文版（它目前还没跟上中文），二是你想把任意一支英文视频（不限于 NotebookLM 出的）本地化成中文。想清楚自己属于哪种，再决定要不要往下折腾。
听起来像是要开一堆剪辑软件、逐句配音、逐帧对字幕。放在两年前确实是这样，是个纯体力活。但今天我们有了"AI 编程代理"——你用大白话把需求描述清楚，它自己去写脚本、装依赖、调 API、跑命令，把这条流水线端到端跑完。整件事的鸟瞰图长这样：
flowchart LR
A[上传资料到 NotebookLM] --> B[生成英文短视频摘要]
B --> C[下载英文成片 input.mp4]
C --> D[AI 编程代理接管]
D --> E[语音识别: 生成英文 SRT]
E --> F[翻译: 英文 SRT -> 中文 SRT]
F --> G[Gemini TTS: 中文旁白配音]
G --> H[FFmpeg: 音视频字幕合成]
H --> I[中文配音字幕成片]看懂这张图，你就抓住了全文的主线。左半边是"内容生产"（NotebookLM 出片），右半边是"本地化工程"（代理跑流水线）。下面我会把每一段都拆开讲透，新手也能跟着走完。辛梓煜@词元二号站的习惯是：先给骨架，再填血肉。
1.1 为什么"本地化"这件事值得单独拎出来讲
我知道有人会想：不就是加个中文字幕吗，有必要写这么长？还真有必要。语言这道坎，是中文内容创作者面对海外优质工具时永远绕不开的。海外的 AI 内容工具往往是"英文优先"，一个功能上线，中文用户经常要等好几个版本才轮到自己。你要么干等，要么自己想办法把英文成品"翻译"过来。
而"翻译一支视频"，跟"翻译一段文字"完全不是一个量级的活。文字翻译，复制粘贴就行；视频本地化，牵涉到音频、时间轴、字幕、画面四条线要同时对齐，任何一条错位，成片就废了。过去这种活是专业后期团队干的，一支一分钟的片子，人工配音加对轴可能要折腾大半天。
所以这篇文章真正想教你的，是怎么把这个"大半天的体力活"压缩成"点几下、等几分钟"的自动化流程。一旦你把这条流水线跑通，它就是可复用的——今天拿来本地化 NotebookLM 的短视频，明天就能拿来本地化任何一支英文视频。这才是它的复利所在。
1.2 这条链路对硬件和门槛的要求
再帮你打消一个顾虑：这套流程对电脑配置几乎没要求。NotebookLM 是在浏览器里跑的，出片全靠云端；本地化流水线里，识别、翻译、配音也都是调云端 API，只有 FFmpeg 合成那一步在本地跑，而 FFmpeg 处理一支一分钟的小视频，几乎不吃性能。换句话说，一台普通笔记本就能全程跑完，不需要什么高端显卡。真正的门槛只有一个：你愿不愿意把这套流程的逻辑搞清楚。 这也是我把前几节写得这么细的原因。
二、NotebookLM 的"短视频摘要"到底是什么
2.1 一句话认识 NotebookLM
如果你完全没听过 NotebookLM，可以先这样理解它：这是一个"基于你自己资料"的 AI 学习整理工具。 关键词是"基于你自己的资料"。它跟你平时用的通用对话 AI 不一样——通用 AI 什么都聊，但可能一本正经地胡说；NotebookLM 只在你上传的资料范围内工作，回答、摘要、视频统统"接地气"地绑定在你的原始来源上，尽量不瞎编。
它一路长出了很多种"输出形态"：文字摘要、可以追问的问答、双人对谈的音频、图文长视频、可视化讲解等等，现在又多了一个短视频。可以说它已经从一个"文档问答工具"长成了一个横跨文字、音频、视频的多形态内容平台。
2.2 短视频摘要 vs 传统视频摘要
短视频摘要是约 60 秒、9:16 的竖屏视频，是 NotebookLM 更长的 16:9 视频摘要的"移动端小弟" 。两者的差别，我整理成一张表：
|
维度 |
传统视频摘要（长片） |
短视频摘要（竖屏） |
|
画幅 |
16:9 横屏 |
9:16 竖屏 |
|
时长 |
几分钟，允许展开论证 |
约 60 秒，一个钩子一个要点 |
|
定位 |
桌面端、系统性讲解 |
手机端、社媒刷流形态 |
|
生成节奏 |
更"电影感"、更精雕 |
快、便宜、鼓励你多生成 |
|
语言 |
已支持 80+ 语言（含中文） |
新格式，推出初期英文优先 |
短视频这种"一个概念一支片"的形态，就是奔着 TikTok、YouTube Shorts、Instagram Reels 这类平台的观看习惯设计的，逼着模型只讲一个核心洞见——钩子、关键证据、结论 。换句话说，它天生适合做知识科普的引流小片。
最后一行"语言"这栏，是全文的关键前提，我单独强调一下：更早的长视频摘要原本也是英文独占，后来 Google 把它扩展到了 80 种语言，法语、德语、西班牙语、日语、中文等都覆盖了 ；音频和视频摘要如今都能生成中文，系统按你 Google 账号的首选语言输出，你也可以在每次生成前手动切换输出语言 。所以"要本地化"这件事，只针对刚上线、还没跟上多语言的竖屏短视频这个新格式，别把它误读成"整个 NotebookLM 都只会英文"——那是不准确的。
2.3 让画面"起飞"的关键：Nano Banana 2 Lite
短视频摘要之所以质感比以前好看太多，核心是换了图像引擎。这个功能用的是 Nano Banana 2 Lite，官方名字叫 Gemini 3.1 Flash-Lite Image，是 Google 号称"最快、最省"的图像生成与编辑模型，主打约 4 秒出一张图 。为什么要用一个"轻量"模型？道理很直白：
一支一分钟的视频，本质是把很多帧图串起来。图要生成得又快又便宜，整条视频才跑得起来，你才会愿意一支接一支地做。
这套图像模型能搭出有上下文的场景、保持画面里物体的一致性，还能把清晰、同步的动态字幕叠到适配手机的版面上 。这也是为什么现在的短视频摘要看起来不像"AI 随手拼的图"，而更像有人认真做过美术设计。
顺带说一句权限：这个功能面向 Google AI Ultra 和 Pro 订阅用户先开放，网页端和手机端都能用，Google 说随后会向免费用户扩展，且限定 18 岁及以上使用 。所以你如果暂时找不到入口，先确认账号权限和是否还在灰度中。
2.4 它凭什么"接地气"：内容始终绑定你的来源
短视频摘要跟外面那些"随便生成一段视频"的工具，有一个本质差别，我必须单独说清楚，因为这决定了它能不能用来做严肃的知识科普。
让这个功能不只是噱头的关键，是内容始终锚定在你的来源上——它不是给一段通用素材配个旁白，而是把你自己的材料（研究论文、季度报告、课堂笔记）压缩成一分钟里最有说服力的那个点 。这句话翻译成大白话就是：它讲的每一句，理论上都能在你上传的资料里找到出处，不是凭空编的。
这一点对做知识内容的人太重要了。通用 AI 生成视频，最大的风险是"一本正经地胡说"——画面很漂亮，内容却似是而非。而 NotebookLM 因为被"钉"在你的资料上，跑偏的概率小很多。当然它也不是绝对不会错，我后面会讲怎么用提示词进一步收窄它的发挥空间。
2.5 视觉风格：为什么每支片子长得不一样
你多生成几支会发现，画面风格会变。在更早的视频摘要升级里，Google 就为画面引入了水彩、剪纸、动漫、白板、复古印刷、传统风等多种视觉风格，让视频不只是"告诉你"文档讲了什么，而是帮你理解和记住 。短视频延续了这套思路：系统会根据主题自动挑一种美术风格，配上动态排版的字幕，观感因此有一种"图文并茂"的精致感。
这背后其实是一个很聪明的产品判断：图像模型能基于你上传的来源生成有帮助、贴合上下文的插画 。也就是说，画面不是套模板贴上去的通用素材，而是"读懂了你的内容之后"画出来的。这也是为什么同样一个知识点，NotebookLM 出的短视频往往比你自己用模板拼的更耐看。
2.6 短视频在整个 NotebookLM 里的位置
把视野拉高一点看：NotebookLM 一开始只是个简单的文字摘要助手，后来迅速扩展成能生成深度音频讨论、可视化幻灯、电影感讲解的多形态媒体中枢，如今再把竖屏短视频纳入其中，明显是在贴合年轻学生和创作者的媒体消费习惯 。理解这个演化脉络有好处——它意味着短视频不是一个孤立功能，而是这套"一份资料、多种形态输出"体系里的一环。你今天学会用它出短视频，明天顺手就能用同一份资料出音频、出长视频，一鱼多吃。
三、动手第一步：建立笔记本并汇入资料
理论铺垫完，开始上手。这一段的目标很简单：建一个笔记本，把要讲的主题资料喂进去。
3.1 找到入口、建立新笔记本
在浏览器里登录你的 Google 账号，从右上角的应用程序入口往下找到 NotebookLM，进去之后点"新建笔记本"。这一步没有任何玄机，跟你新建一个文档差不多。
3.2 汇入资料
进到笔记本里，把你想讲的资料汇进去。资料可以是 PDF、网页链接、粘贴的文字、Google 文档等等。我这次拿来做示范的主题，是一个很适合科普的技术点：Google 的 Gemma 4 开源模型，尤其是它那个"混合专家"版本。为什么选它？因为它本身概念清楚、又足够新、又能讲出"原理感"，特别适合被压成一支 60 秒短视频。
顺便，我把这个主题的原理也给你讲明白——这样你既懂了操作，又顺手学到一个知识点。
3.3 顺手科普：Gemma 4 26B MoE 的原理
传统大模型是"密集（Dense）"结构：处理每一个词，都要把网络里所有的参数（你可以理解成一个个"神经连接"）全部点亮一遍。 参数越多算得越准，但也越吃显存、越慢、越贵，动不动就得上昂贵的云端服务器。
Gemma 4 里那个受关注的版本换了思路，用的是"混合专家（MoE，Mixture of Experts）"结构。打个比方：与其让全公司所有人一起处理每一份工作，不如养一群"专家"，来一个任务，只叫最相关的几位出手，其余的人先歇着。
具体到数字：这个 26B 的 MoE 版本，虽然总参数量很大，但每处理一个词只激活大约 38 亿参数，算力负担比 31B 的密集版小很多 。也就是说，激活比例大致是
[ \frac{38\ \text{亿}}{260\ \text{亿}} \approx 14.6% ]
带来的直接好处是——用消费级显卡就能在本地跑：这个 MoE 模型能以较低显存需求跑推理，Q4 量化下大约 8GB 显存就能在 RTX 3070 甚至 RTX 2080 这类消费级显卡上运行，兼顾了性能与可及性 。一句话总结这段科普：
你能拿到"巨型网络的推理品质"，却只付"小型网络的运行速度"。
不过这里有个容易被忽略的细节，我必须提醒你：虽然每个词只激活约 40 亿参数，但全部参数都得常驻显存，因为路由器要能随时访问所有专家来决定激活谁；所以它"跑起来像小模型，装起来却像大模型" 。省的是算力，不是显存——这点很多人一开始会搞混。
3.4 再往深挖一层：路由器和"专家"是怎么协作的
上面那个"叫专家出手"的比喻，我再拆细一点，帮你把 MoE 彻底吃透——顺便这也是一支好短视频该讲清楚的深度。
一个 MoE 层内部，藏着很多个"专家"小网络，外加一个叫"路由器（router）"的调度员。每来一个词，路由器就把它分派给最相关的少数几个专家，其余专家不参与计算，从而让整体计算保持稀疏；这让模型既能拥有很大的总容量，每次推理又只用其中一部分 。你可以想象成一个庞大的会诊团队：病人（词）来了，分诊台（路由器）只叫对口的几位专家（专家网络）来看，不用全院上阵。
这套设计的稀疏程度可以做得很夸张。有的实现里每层放上百个专家，每个词只激活其中极少数，激活比例低到百分之一点几，意味着单个专家更小、能更专注地各管一摊 。总容量巨大，单次开销却很小——这就是 MoE 的魔法。
我把"密集"和"混合专家"两种路线的差别压成一张表，一眼看明白：
|
对比项 |
密集（Dense）结构 |
混合专家（MoE）结构 |
|
每个词的参数参与 |
全部参数都点亮 |
只激活一小部分专家 |
|
单次推理算力 |
高 |
低（跟激活的小模型相当） |
|
显存占用 |
高 |
同样高（所有专家都得常驻） |
|
总知识容量 |
受算力预算限制 |
可以做得很大 |
|
通俗类比 |
全员上阵处理每件事 |
按需叫对口专家出手 |
3.5 为什么"能本地跑"是件大事
你可能会问：讲这么多原理干嘛？因为"能不能在自己电脑上跑"，直接决定了这类模型的普及程度，而这恰恰是个好选题。Google 团队自己就说，MoE 架构对本地部署是一次范式转变——每个词只激活一小部分参数，就把"26B 级别的质量"带到了多数开发者手里已有的消费级显卡上 。
本地能跑意味着三件实在的好处：不用按 token 付费、数据不出本机因而更私密、下载好之后离线也能用。对追求本地部署的人来说，这三点合起来就是零 API 成本、完整隐私、离线可用 。
再补一个容易被误读的点，前面提过、这里落成结论：MoE"跑起来像小模型，装起来像大模型"。 省的是每次推理的算力，不是显存——所有专家都得先塞进显存，路由器才能随时挑。搞混这一点，你选硬件时就会踩坑。好了，这段原理本身，就是我们等下要让 NotebookLM 压成短视频的"内容"。你可以把它整理成一段文字或一份 PDF 汇入笔记本。
四、打开"短视频摘要"功能：界面语言切换的小技巧
资料喂进去后，右侧的工作区里就能找到视频摘要相关的设置。点进去，你会看到"短视频摘要"的选项。
4.1 如果你只看到英文界面 / 没看到短视频选项
这个竖屏短视频格式在推出初期是英文优先的。如果你的界面还没出现短视频入口，一个常用的小办法是把 Google 账户的显示语言切成英文，让新功能先露出来。步骤：
- 新开一个标签页，进入 Google 账户管理。
- 在"个人资料 / 个人信息"里找到"语言"设置。
- 新增一门语言，把英文（English）加进去。
- 把英文用箭头顶到最上面，设为首选语言，保存。
- 回到 NotebookLM，刷新页面。
刷新后界面会切成英文，短视频（Short Video Overviews）入口通常就出来了。等你用完，随时可以把中文顶回去，不影响日常使用。
小提醒：这纯粹是"切换账户显示语言"的合规操作，跟任何绕过网络管控的手段无关，别想复杂了。功能全量之后，这一步大概率也就不需要了。
4.2 生成你的第一支短视频
回到笔记本，打开视频摘要设置，你会看到系统根据你汇入的资料，自动推荐了几个候选主题。你可以直接选一个，也可以在自定义主题（custom topic）里写自己的提示词，指定这支短视频要聚焦讲什么。
关于提示词，我的经验是：
- 优先用英文写提示词。 目前英文提示词的效果最稳。
- 不用写得很复杂。 一两句话点明"聚焦哪个概念、面向谁、什么调性"就够了。
- 你可以准备两三个提示词模板轮着试，挑生成效果最好的那支。
写好点生成（Generate），等一小会儿，一支约一分钟、带动画、带字幕、带英文旁白的竖屏短视频就出来了。以我这次的示范来说，成片会用一分钟左右把
