从字幕到Anki卡片：构建英语学习自动化流水线

最近在整理英语学习资料时，我接触到了everyone-can-use-english这个开源项目。它并不是一个普通背单词软件，而是一套把“看剧学英语”这件事系统化、工程化的学习闭环。项目名称翻译过来就是“每个人都能用英语”，核心思路不是教你多少单词，而是帮你把英语学习拆成每天能执行的小动作。本文不打算逐行翻译源码，而是围绕这类项目的通用理念，拆解从字幕文本到学习卡片、再到间隔复习的完整流程，并给出可以直接运行的 Python 脚本。无论你是想提升英语的开发者，还是对“工具驱动学习”感兴趣的程序员，都可以按这套思路动手搭一套属于自己的学习流水线。

1. 项目背景与核心理念

1.1 everyone-can-use-english 是什么

everyone-can-use-english是一个以真实语料为基础的英语学习开源项目。它把英语学习从“背单词书”切换到“刷真实句子”的模式，核心主张是：语言学习应该以句子为单位，而不是以单词为单位。

我们在传统英语教材里学的句子往往偏书面化，和真实生活脱节。而欧美情景剧的台词包含大量口语表达、省略、连读、语气词，是最接近日常交流的语料。项目把这些台词整理成可检索、可复习的句子库，配合间隔重复（SRS）机制，让学习者每天花少量时间学习新句子、复习旧句子，从而逐步建立“英语语感”。

从技术角度看，这个项目涉及数据处理、文本清洗、音频切分、卡片生成等多个环节。这些环节之间没有高深算法，但串联起来就是一个完整的“语料处理流水线”。

1.2 它解决什么问题

很多人学英语的痛点是“学了就忘”。背了一个星期单词，下周再看完全不认识。原因在于：

• 单词脱离语境，记忆没有锚点。
• 复习没有规律，学了新词忘了旧词。
• 输入量足够，但输出没有素材支撑。
• 学习素材与真实生活脱节，缺乏兴趣。

everyone-can-use-english的思路是用真实美剧台词作为输入，用间隔重复算法安排复习节奏，用句子而非单词作为记忆单元。这样每个单词的“上下文”都被完整保留，单词和场景绑定在一起，记忆效率会提升很多。

1.3 适用人群

这个项目适合以下人群：

• 已经具备基础英语能力，但开不了口的学习者。
• 准备出国、外企面试、日常口语交流，需要短期强化语感的人。
• 喜欢美剧，想通过兴趣保持学习动力的人。
• 对效率工具有兴趣，想自己写脚本处理学习数据的技术型学习者。

如果英语基础接近零，建议先掌握最基础的音标和 1000 个核心词汇，再进入句子刷练，否则挫败感会很强。

2. 环境准备与工具链

在动手搭建自己的英语学习流水线之前，需要先准备好开发环境。本文以常见环境为例，具体版本请根据你的实际系统调整。

2.1 基础环境

其中 Anki 是免费开源的记忆软件，支持桌面端、移动端和 Web 同步。genanki是一个 Python 库，可以让我们用代码直接生成.apkg牌组文件，免去手动制作卡片的重复劳动。ffmpeg用于从视频中截取台词对应的音频片段，这样复习时不但能看到句子，还能听到原声。

2.2 安装依赖

建议先创建虚拟环境，避免依赖冲突：

python3 -m venv english-env source english-env/bin/activate

然后安装 Python 依赖：

pip install genanki wordfreq

在 Ubuntu / Debian 系统上安装 ffmpeg：

sudo apt update sudo apt install ffmpeg

macOS 可以使用 Homebrew：

brew install ffmpeg

Windows 可以从 ffmpeg 官网下载预编译版本，并把ffmpeg.exe所在目录加入系统 PATH。

2.3 准备字幕文件

字幕文件可以从公开字幕网站下载，也可以从 DVD 提取。注意：字幕只能用于个人学习，不应公开传播或用于商业用途。

常见的字幕格式是 SRT：

1 00:00:01,000 --> 00:00:04,000 How you doin'? 2 00:00:05,000 --> 00:00:07,500 I'm fine, thank you.

SRT 文件由序号、时间轴、字幕文本和空行组成。解析 SRT 是后续所有处理的基础。

3. 核心学习理念拆解

在写代码之前，先把这套学习流水线的核心方法论讲清楚。理解了为什么这样做，后面写脚本时才知道要处理什么数据。

3.1 句子优先于单词

传统背单词软件展示的是“单词 + 释义”，而语言学习的记忆单元应该是句子。句子包含单词的搭配关系、语法结构、使用场景和语气信息。比如fair enough单独看单词都认识，但不知道在什么场景下用，等于没学。放到句子里：

A: I'll pay for the dinner tonight. B: Fair enough.

一下就记住了“说得有道理 / 也行”这个语境含义。

3.2 间隔重复（SRS）

间隔重复是一种基于遗忘曲线设计的复习策略。新学的内容在快要遗忘的时候复习，效率最高。Anki 和同类工具都实现了这个算法。

一套完整的 SRS 流程是：

1. 每天学习一定数量的新句子。
2. 当天复习之前学过但还没有达到长期记忆的句子。
3. 练习时先看英文句子，尝试翻译或回忆场景，再展开看答案。
4. 根据回忆难度给卡片打分，Anki 自动决定下次复习时间。

这里的关键是“每天新句数量”要克制。一次学 200 句看起来很爽，但第二天要复习的量会很大，挫败感会很强。建议每天新句控制在 10 到 20 句。

3.3 影子跟读

影子跟读（Shadowing）是指播放原声时，以极短的时间间隔跟随朗读。这能同步训练听力、发音和口语流利度。

在卡片设计中，除了“看句子回忆释义”，还可以加入音频，播放原声，让学习者模仿跟读。这就是为什么需要 ffmpeg 截取音频片段。

3.4 真实语料与可理解输入

语言学上有个概念叫“可理解输入”：学习材料应该略高于当前水平，但又不至于完全听不懂。美剧台词中大量出现的高频口语表达，恰好处于这个区间。

制作卡片时，建议按句子长度和词频做初步筛选。太长的句子不适合作为初始学习材料，太生僻的单词可以暂时跳过。

4. 实战：短视频字幕解析脚本

为了便于理解，我们先把流程拆成几步，分阶段实现：

4.1 创建项目结构

在本地创建如下目录结构：

english-tool/ ├── scripts/ │ ├── parse_srt.py │ ├── build_deck.py │ └── extract_audio.py ├── data/ │ ├── raw/ # 存放原始字幕 │ └── output/ # 输出结果 └── requirements.txt

这个结构把“输入数据、脚本、输出结果”分开，后面批量处理时不会把目录搞乱。

4.2 编写 SRT 解析脚本

先写一个通用的 SRT 解析函数。文件路径：scripts/parse_srt.py

import re from pathlib import Path TIME_PATTERN = re.compile(r"(\d{2}):(\d{2}):(\d{2}),(\d{3})") def parse_timecode(time_str: str): """把 00:00:01,000 转成秒数，例如 1.0""" match = TIME_PATTERN.search(time_str) if not match: return None h, m, s, ms = map(int, match.groups()) return h * 3600 + m * 60 + s + ms / 1000 def clean_text(text: str) -> str: """清理字幕文本中的标签和特殊符号""" text = re.sub(r"<[^>]+>", "", text) text = re.sub(r"\{\\[a-z]+\}", "", text) text = text.replace("&amp;", "&") text = text.replace("&nbsp;", " ") return text.strip() def parse_srt(srt_path: str) -> list: """解析 SRT 文件，返回字幕记录列表""" raw = Path(srt_path).read_text(encoding="utf-8") blocks = re.split(r"\n\s*\n", raw.strip()) records = [] for block in blocks: lines = block.splitlines() if len(lines) < 2: continue if not lines[0].strip().isdigit(): continue start_str, end_str = lines[1].split(" --> ")[:2] content = " ".join(line.strip() for line in lines[2:]) content = clean_text(content) if not content: continue records.append({ "index": int(lines[0].strip()), "start": parse_timecode(start_str), "end": parse_timecode(end_str), "text": content, }) return records if __name__ == "__main__": records = parse_srt("data/raw/friends_s01e01.srt") print(f"共解析到 {len(records)} 条字幕") for record in records[:5]: print(record)

运行结果类似：

共解析到 620 条字幕 {'index': 1, 'start': 0.0, 'end': 4.0, 'text': "How you doin'?"} {'index': 2, 'start': 5.0, 'end': 7.5, 'text': "I'm fine, thank you."}

需要说明的是，字幕文件编码可能有差异。如果utf-8读取报错，可以先用下面的方式检测编码：

from pathlib import Path import chardet def detect_encoding(path): data = Path(path).read_bytes() result = chardet.detect(data) return result.get("encoding", "utf-8")

不过chardet需要额外安装：

pip install chardet

在实际处理时，建议先统一把所有字幕转成 UTF-8 编码再解析，能省去很多麻烦。

4.3 过滤英文句子

字幕文件里可能包含声音描述、人名标识等非对话内容。我们需要把真正适合学习的英文句子过滤出来。

一个简单策略是统计文本中英文字母的占比。如果大部分字符都是英文字母，就认为是英文句子。文件路径：scripts/parse_srt.py，继续追加：

def is_english_sentence(text: str, threshold: float = 0.8) -> bool: """判断一句话是否以英文为主""" letters = [ch for ch in text if ch.isalpha()] if not letters: return False english_letters = [ ch for ch in letters if "a" <= ch.lower() <= "z" ] return len(english_letters) / len(letters) >= threshold def filter_sentences(records: list) -> list: return [r for r in records if is_english_sentence(r["text"])]

这里有一个细节：I'm、don't这类带撇号的句子不会被误杀，因为撇号不是字母，统计时会被忽略。isalpha()会把中文、法语字母、德语字母都当成“字母”，而我们只统计 a-z 的英文字母，因此能有效过滤掉包含大量中文翻译的字幕行。

4.4 输出句子 CSV

把过滤后的句子写入 CSV，方便后续导入 Anki 或做数据分析。文件路径：scripts/parse_srt.py，继续追加：

import csv def save_sentences_to_csv(records: list, output_path: str) -> None: with open(output_path, "w", newline="", encoding="utf-8") as f: writer = csv.writer(f) writer.writerow(["index", "start", "end", "text"]) for r in records: writer.writerow([ r["index"], f"{r['start']:.3f}", f"{r['end']:.3f}", r["text"], ]) if __name__ == "__main__": records = parse_srt("data/raw/friends_s01e01.srt") english_records = filter_sentences(records) save_sentences_to_csv(english_records, "data/output/sentences.csv") print(f"过滤后剩余 {len(english_records)} 条英文句子")

这一步做完，我们就拿到了结构化的句子数据。下一步是筛选“值得学”的句子。

5. 实战：用词频筛选生词与句子难度

字幕里不是所有句子都值得制作成卡片。对于初学者来说，一句台词里如果生词太多，学习成本会很高。我们可以用wordfreq库统计每个单词的词频等级，辅助决定句子的难度。

5.1 安装与基础用法

wordfreq库返回一个zipf_frequency值，数值越大表示单词越常见。一般来说：

• 7.0 以上：超级常见词（the, and, of）
• 5.0 左右：日常高频词
• 4.0 以下：相对生僻

pip install wordfreq

简单示例：

from wordfreq import zipf_frequency words = ["hello", "serendipity", "the", "photovoltaic"] for w in words: print(w, zipf_frequency(w, "en"))

运行结果大致是：

hello 5.29 serendipity 3.13 the 7.82 photovoltaic 2.67

5.2 计算句子难度

文件路径：scripts/build_deck.py

import re from wordfreq import zipf_frequency def extract_words(text: str) -> list: """从句子中提取小写单词""" return [w.lower() for w in re.findall(r"[A-Za-z']+", text)] def sentence_difficulty(text: str) -> dict: words = extract_words(text) if not words: return {"avg_zipf": 0, "difficult_words": []} # 只保留真正的英文单词，去掉类似 ' 的符号 words = [w.strip("'") for w in words if w.strip("'")] if not words: return {"avg_zipf": 0, "difficult_words": []} freq_list = [zipf_frequency(w, "en") for w in words] avg_zipf = sum(freq_list) / len(freq_list) # 低于 4.0 的单词视为较生僻 difficult = [w for w, f in zip(words, freq_list) if f < 4.0] return {"avg_zipf": round(avg_zipf, 2), "difficult_words": difficult} if __name__ == "__main__": test_sentences = [ "How you doin'?", "She chased the serendipity through the photovoltaic corridor.", ] for s in test_sentences: print(s, sentence_difficulty(s))

运行结果：

How you doin'? {'avg_zipf': 4.92, 'difficult_words': []} She chased the serendipity through the photovoltaic corridor. {'avg_zipf': 3.78, 'difficult_words': ['se...', 'photovoltaic']}

注意：这里difficult_words会包含带撇号的词，实际使用时可以进一步过滤。这个度量并不完美，但它能帮我们快速“大致排序”，把明显过难的句子往后排，把高频常用句子往前放。

6. 实战：生成 Anki 牌组

数据准备好了，接下来把句子生成 Anki 可用的.apkg牌组文件。这里使用genanki库。

6.1 设计卡片模板

一张好的句子学习卡片应该包含：

• 正面：英文句子
• 背面：中文释义、来源信息、音频按钮

对应的 Anki 模板可以这样设计：

• 正面qfmt：显示英文句子
• 背面afmt：显示中文释义、来源、音频

下面是一个完整脚本。文件路径：scripts/build_deck.py

import genanki # 卡片模型 ID，只要唯一即可，建议用随机数 MODEL_ID = 1607392319 DECK_ID = 2059400112 my_model = genanki.Model( MODEL_ID, "Sentence Card", fields=[ {"name": "Sentence"}, {"name": "Translation"}, {"name": "Source"}, {"name": "Audio"}, ], templates=[ { "name": "Sentence Card", "qfmt": "{{Sentence}}", "afmt": ( "{{FrontSide}}" "<hr id=answer>" "<div>{{Translation}}</div>" "<div>{{Source}}</div>" "{{Audio}}" ), } ], ) def build_deck(sentences, output_path="english_sentences.apkg"): deck = genanki.Deck(DECK_ID, "EveryoneCanUseEnglish::Sentences") media_files = [] for item in sentences: # item 需要包含 text, translation, source, audio_path note = genanki.Note( model=my_model, fields=[ item["text"], item.get("translation", ""), item.get("source", ""), f"[sound:{item.get('audio_name', '')}]" if item.get("audio_name") else "", ], ) deck.add_note(note) if item.get("audio_path"): media_files.append(item["audio_path"]) package = genanki.Package(deck) if media_files: package.media_files = media_files package.write_to_file(output_path) print(f"已生成牌组: {output_path}")

使用genanki时需要注意：Model和Deck的 ID 必须是整数，且在当前牌组集合中尽量保持唯一。如果你复制了别人的代码，一定要改掉 ID，否则在不同牌组之间可能产生同步冲突。

6.2 调用示例

if __name__ == "__main__": sample_sentences = [ { "text": "How you doin'?", "translation": "你好吗？（老友记经典台词）", "source": "Friends S01E01 00:00:01", "audio_path": "data/output/audio/1.mp3", "audio_name": "1.mp3", }, { "text": "I'm fine, thank you.", "translation": "我很好，谢谢。", "source": "Friends S01E01 00:00:05", "audio_path": "data/output/audio/2.mp3", "audio_name": "2.mp3", }, ] build_deck(sample_sentences)

运行后会在当前目录生成english_sentences.apkg。双击该文件即可导入 Anki。

6.3 从 CSV 批量生成

上面的示例是手工构造数据。实际项目中，数据来自第 4 节的 CSV 输出。可以写一个加载 CSV 并逐行生成卡片的流程：

import csv def load_sentences_from_csv(csv_path: str) -> list: sentences = [] with open(csv_path, "r", encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: sentences.append({ "text": row["text"], "translation": "", "source": f"SRT index {row['index']}", "audio_path": "", "audio_name": "", }) return sentences

这里的中文翻译暂时留空，因为自动翻译质量不稳定。一个可选的方案是后续手动补翻译，或者用机器翻译接口做初稿再人工校对。注意翻译接口可能产生费用，生产环境要控制调用量。

7. 实战：用 ffmpeg 截取台词音频

复习时如果只有文字卡片，效果会打折扣。加上原声音频，可以同步训练听力和发音。

7.1 按时间戳截取音频

文件路径：scripts/extract_audio.py

import subprocess from pathlib import Path def extract_audio(video_path: str, start: float, end: float, out_path: str) -> None: """从视频中截取 start 到 end 秒的音频，保存为 mp3""" Path(out_path).parent.mkdir(parents=True, exist_ok=True) cmd = [ "ffmpeg", "-y", "-ss", str(start), "-to", str(end), "-i", video_path, "-vn", "-acodec", "libmp3lame", "-q:a", "2", out_path, ] subprocess.run(cmd, check=True, capture_output=True) if __name__ == "__main__": extract_audio( video_path="data/raw/friends_s01e01.mp4", start=1.0, end=4.0, out_path="data/output/audio/1.mp3", ) print("音频截取完成")

这里有三点要说明：

• -ss放在-i之前是快速 seek，速度很快，但时间精度可能差几帧。
• 如果追求精确，可以把-ss放到-i之后，但解码速度会慢。
• 个人学习场景下，建议在视频中适当给前后留出 0.2 到 0.5 秒的余量，避免音频开头和结尾突然被切断。

7.2 结合 CSV 批量截取

更好的做法是从第 4 节生成的 CSV 中读取每个句子的 start 和 end，批量截取音频：

import csv from extract_audio import extract_audio VIDEO_PATH = "data/raw/friends_s01e01.mp4" with open("data/output/sentences.csv", "r", encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: start = float(row["start"]) end = float(row["end"]) out_path = f"data/output/audio/{row['index']}.mp3" extract_audio(VIDEO_PATH, start, end, out_path) print("批量音频截取完成")

注意：批量处理耗时可能较长，建议先处理前 20 条验证效果，再全量执行。中间的音频文件可以随时删除重建，不影响原视频。

8. 常见问题与排查思路

实际操作时，很多人会在环境或数据格式上卡住。下面汇总几个高频问题。

9. 最佳实践与工程建议

9.1 先做单集闭环，再批量扩展

不要上来就解析 10 季字幕。建议先拿一集字幕跑通全流程：

1. 解析字幕。
2. 过滤英文句子。
3. 生成 CSV。
4. 截取前 20 句音频。
5. 生成牌组并导入 Anki。
6. 实际学习几天，验证流程是否顺手。

确认没有问题后，再批量处理更多剧集。

9.2 卡片要有来源信息

每张卡片至少记录句子所在剧集、集数和时间戳。这样复习时如果对某个表达有疑问，可以回到原片再看上下文，形成“卡片 → 原片场景”的闭环。在卡片模板中增加Source字段，就是出于这个考虑。

9.3 控制每日新句数量

SRS 的核心价值在于“可持续”。每天学习 10 句新句子，配上 20-40 句复习，坚持 3 个月，就能积累近 1000 个场景句。相比每天猛学 100 句然后放弃，细水长流的收益更大。

Anki 内置的复习量设置可以调整。建议把“新卡片/天”设在 10-20，“复习上限/天”设在 100-150。如果某天复习排队太长，优先保复习，少开新卡。

9.4 尊重素材版权

美剧字幕和视频资源属于版权保护内容，个人学习用途通常被视为合理使用，但仍然不应该公开传播、打包出售或制作成盈利课程。使用开源项目时，也请遵守项目仓库的 License 条款。

9.5 脚本安全与数据保护

批量处理脚本只应“读取原素材、生成新文件”，不要设计删除原始文件的逻辑。如果需要对中间文件做清理，先在临时目录测试确认无误，并保留备份。对于学习数据（卡片、复习记录），建议定期从 Anki 导出备份到本地或私有网盘。

9.6 日志与可观测性

当处理多集字幕时，简单加几个print不够。建议用 Python 内置的logging模块记录处理进度和失败条目：

import logging logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s") def process_one_episode(path): logging.info("Processing %s", path) try: records = parse_srt(path) logging.info("Parsed %d records", len(records)) except Exception as e: logging.error("Failed on %s: %s", path, e)

这样批量跑脚本时，即使中间有失败任务，也能快速定位到具体文件，而不是在大量输出中翻找。

10. 总结与后续学习方向

围绕everyone-can-use-english的项目思路，本文重点拆解了“字幕解析 → 句子筛选 → 音频截取 → 卡片生成 → 间隔复习”的完整学习闭环。你可以把它理解成一条学习流水线，每个环节都可以用脚本独立处理，也可以组合成全自动流程。

如果你已经跑通了本文的脚本，下一步建议往这几个方向继续深入：

• 语法标注：用 spaCy 或 NLTK 对句子做词性标注，标记词组和搭配。
• 难度分级：基于词频和句长对台词句子做难度排序，从易到难顺序学习。
• 发音对比：用语音识别接口对你的跟读录音和原声做对比评分。
• 复习数据统计：分析 Anki 导出的复习记录，找出自己的“易忘点”。

英语学习没有银弹，但好的工具和流程能把“坚持”变得更容易。动手跑通这套流水线，然后选一部你真正喜欢的剧，从第一集开始积累自己的句子库。如果本文对你有帮助，可以先收藏备用；实际使用中遇到什么问题，也欢迎在评论区交流。