🎤
AUTO SUBTITLES · WHISPER AI
视频自动字幕
基于 OpenAI Whisper AI 模型识别语音生成 SRT 字幕（多语言）
FFmpeg 命令行（推荐）
视频处理涉及复杂的解码 / 编码 / 滤镜操作，桌面 FFmpeg（开源 / 免费）是业界事实标准。安装 5 分钟，运行如下命令一次解决：
# 安装 whisper.cpp（推荐 · C++ 实现，快）
brew install whisper-cpp
# 提取音频转字幕（默认 base 模型，平衡速度精度）
ffmpeg -i input.mp4 -ar 16000 -ac 1 -c:a pcm_s16le audio.wav
whisper-cpp -m ggml-base.bin -f audio.wav -osrt -of subtitle
# 高精度（large 模型 · 慢但精确）
whisper-cpp -m ggml-large-v3.bin -l zh -f audio.wav -osrt
# Python 版（功能更全）
pip install openai-whisper
whisper input.mp4 --model large --language Chinese --output_format srt
桌面 FFmpeg 安装
macOS
brew install ffmpeg
用 Homebrew，5 秒安装
Linux
sudo apt install ffmpeg
# 或 sudo dnf install ffmpeg
Debian/Ubuntu/Fedora
Docker
docker run --rm -v $PWD:/work \
jrottenberg/ffmpeg -i input.mp4 ...
无需本地安装
操作步骤
步骤 1：安装 FFmpeg
按上方系统对应的命令安装。验证：ffmpeg -version 应输出版本号。
步骤 2：复制本页面提供的命令
将 input.mp4 改为你的实际视频文件路径。
步骤 3：在视频所在目录运行
用终端 (Terminal / cmd / PowerShell) 切到视频所在目录，粘贴命令并回车。
步骤 4：等待处理完成
短视频几秒，长视频几分钟。输出文件出现在同目录。
提示
模型大小：tiny(75MB) / base(140MB) / small(465MB) / medium(1.4G) / large(2.9G)。中文推荐 medium 以上。
在线替代：阿里通义听悟 / 腾讯智影 / Notta（每月有免费配额）。
第一节
关于本工具
About剪辑师把一段两小时访谈拖进时间线，才发现同期声里混着空调嗡鸣和翻页声。这个工具把视频丢给 Whisper 模型，在服务端跑完语音识别，输出标准 SRT 文件——带时间戳的逐句文本，可直接挂载到剪辑软件里。它不处理人声分离，也不翻译语种，只做一件事：把声音转成可编辑的文字，准确率受原始录音信噪比影响，安静环境下的普通话识别效果最好。
使用场景
自媒体口播批量加字
一个美食博主每天要发 3 条探店口播，每条 2-3 分钟。之前外包给字幕组，一条 15 元，一个月光字幕就花掉 1350 元。用本工具把 MP4 拖进去，Whisper 本地跑完，3 分钟出一份 SRT，准确率在方言词上差一点，但普通话片段基本不用改，直接剪映导入微调即可。
课程讲师补录字幕
录了一期 47 分钟的编程课，麦克风收音正常但背景有空调低频嗡嗡声。上传到付费平台要求必须有中文字幕，否则不通过。用本工具跑完后，Whisper 对低频噪声不敏感，时间轴基本准，只需把“函数”被识别成“含数”的 3 处手动改掉，省了逐句打轴的时间。
会议录像快速检索
项目组每周开 2 小时周会，录像存在 NAS 里，要找某次讨论“预算调整”的片段得翻 30 分钟录像。用本工具把整段会议视频转成 SRT 字幕，导入播放器后直接搜关键词“预算”，3 秒定位到对应时间点，不用再从头拉进度条。
老电影爱好者加双语字幕
下载了一部 1980 年代的老纪录片，只有俄语原声，网上找不到现成字幕。用本工具的 Whisper 模型识别俄语，生成俄语 SRT，再用在线机翻转成中文，手动对齐两版时间轴，最终得到双语字幕。全程在本地跑，不把视频上传到任何云端。
采访录音整理逐字稿
记者采访了一位退休老工人，录音 52 分钟，口齿清楚但偶尔有方言词。之前靠人工听写，1 小时录音要花 3-4 小时整理。用本工具转成 SRT 后，先把时间轴去掉只留文本，再对着音频把“晓得”改成“知道”、“莫得”改成“没有”，总耗时不到 1 小时。
第二节
使用指南
Getting Started使用步骤
- 1上传视频文件（支持 mp4/mov/avi，≤500MB），页面显示文件名与进度条
- 2点击「开始识别」按钮，状态变为「识别中…」，进度条实时更新百分比
- 3识别完成后，编辑器区域显示逐句时间戳文本，可逐条修改错字或调整时间轴
- 4点击「导出 SRT」按钮，浏览器自动下载 .srt 文件，文件名与源视频一致
输入输出示例
| 输入 | 输出 | 说明 |
|---|---|---|
| https://example.com/speech.mp3（中文普通话，单人说话，无背景噪音，时长 30 秒） | 1 00:00:00,000 --> 00:00:05,000 今天天气真不错，适合出去走走。 2 00:00:05,500 --> 00:00:10,000 我们下午三点在公园门口见。 3 00:00:10,500 --> 00:00:15,000 别忘了带上相机。 4 00:00:15,500 --> 00:00:20,000 还有水和零食。 5 00:00:20,500 --> 00:00:25,000 好，那就这么说定了。 6 00:00:25,500 --> 00:00:30,000 拜拜。 | 常规：标准单人中文语音，无干扰，验证基础语音识别准确率和时间轴切分粒度。输出每句独立序号+时间码，符合SRT规范。 |
| https://example.com/lecture.mp4（英文学术演讲，含专业术语如'quantum entanglement'，语速较快，时长 2 分钟） | 1 00:00:00,000 --> 00:00:04,500 Today we're going to discuss quantum entanglement. 2 00:00:05,000 --> 00:00:09,200 This phenomenon was first described by Einstein as 'spooky action at a distance'. 3 00:00:09,700 --> 00:00:14,100 But modern experiments have confirmed its reality. ...（后续内容省略，共约 40 条字幕） | 常规：英文+专业术语，验证多语言支持与术语识别能力。输出显示Whisper能正确转录'quantum entanglement'等复杂词汇，但时间轴可能因语速快而稍显密集。 |
| https://example.com/noisy.mp4（中文，背景有持续风扇噪音和偶尔关门声，两人对话，时长 1 分钟） | 1 00:00:00,000 --> 00:00:03,200 （噪音）...这个方案...（噪音）...你觉得呢？ 2 00:00:04,000 --> 00:00:07,500 我同意，但是预算...（关门声）...需要再讨论。 3 00:00:08,000 --> 00:00:11,000 好，明天开会再定。 ...（后续内容省略，部分句子因噪音被截断或出现[噪音]标记） | 边界：嘈杂环境+多人对话，验证抗噪能力和说话人区分。输出显示部分内容因噪音丢失，Whisper会尝试用[噪音]标记无法识别的片段，但不会完全崩溃。 |
| https://example.com/silent.mp4（视频画面正常，但全程无声音，时长 10 秒） | 边界：静音输入。工具应返回空字幕文件（无任何字幕块），而非报错或生成乱码。验证工具对无音频流的处理逻辑。 | |
| https://example.com/verylong.mp4（中文，单人朗读，时长 3 小时） | 1 00:00:00,000 --> 00:00:04,000 第一章 引言 2 00:00:04,500 --> 00:00:08,200 本节我们将介绍研究背景和意义。 ...（后续内容持续生成，共约 2000 条字幕） | 边界：超长视频（接近工具限制）。验证工具对大文件的处理能力，包括内存占用、分段处理和时间轴连续性。输出应完整无中断。 |
| https://example.com/dialect.mp3（中文，四川方言，语速中等，时长 15 秒） | 1 00:00:00,000 --> 00:00:04,000 这个菜巴适得很，安逸。 2 00:00:04,500 --> 00:00:08,000 明天我们一起去吃火锅嘛。 3 00:00:08,500 --> 00:00:12,000 要得，我来订位置。 4 00:00:12,500 --> 00:00:15,000 好，那就这么定了。 | 易错：方言输入（非标准普通话）。Whisper对常见方言（如四川话、粤语）有一定识别率，但可能将方言词汇转写为普通话近似音（如'巴适'正确保留，但某些俚语可能被'标准化'）。用户需注意方言识别准确度不如标准普通话。 |
| https://example.com/music.mp3（纯钢琴曲，无人声，时长 20 秒） | 1 00:00:00,000 --> 00:00:05,000 （音乐） 2 00:00:05,500 --> 00:00:10,000 （音乐） 3 00:00:10,500 --> 00:00:15,000 （音乐） 4 00:00:15,500 --> 00:00:20,000 （音乐） | 易错：纯音乐/无语音输入。工具应识别为无语音内容，输出[音乐]标记而非尝试转录歌词或产生乱码。验证工具对非语音音频的分类处理能力。 |
| https://example.com/overlap.mp4（中文，两人同时说话，语速快，时长 10 秒） | 1 00:00:00,000 --> 00:00:03,000 ...（重叠语音）... 2 00:00:03,500 --> 00:00:06,000 ...（重叠语音）... 3 00:00:06,500 --> 00:00:10,000 ...（重叠语音）... | 易错：多人同时说话（重叠语音）。Whisper无法分离说话人，输出仅标记为[重叠语音]或产生混乱的混合文本。验证工具对复杂声学场景的局限性说明。 |
常见错误对照
1.视频含背景音乐或多人对话时直接使用默认模型
✗ 错误
上传一段嘈杂的会议录音，未做任何参数调整✓ 修复
上传前先确认音频干净度，或使用 large-v3 模型并开启 VAD 过滤Whisper 默认模型对背景音乐、多人重叠说话识别率骤降。VAD（语音活动检测）可过滤非人声段，large-v3 在嘈杂环境下错误率比 tiny 低 40% 以上。
2.视频时长超过 Whisper 单次处理上限
✗ 错误
上传一部 3 小时的电影，等待后只得到前 30 分钟字幕✓ 修复
将视频切割为 10 分钟以内的片段，分别上传后合并 SRTWhisper 本地模型默认单次处理上限约 30 分钟音频（取决于显存），超时会被截断。分段处理可避免丢失后半部分内容。
3.非中文视频未指定语言参数，导致识别为英文
✗ 错误
上传日语音频，不指定语言，得到英文乱码字幕✓ 修复
在工具中选择语言为「日语」或手动传入 --language jaWhisper 默认语言检测对短音频或非主流语言准确率低，强制指定语言可避免自动检测误判为英语。
4.SRT 时间轴与视频实际帧率不匹配
✗ 错误
从 29.97fps 视频提取的字幕直接用于 25fps 版本✓ 修复
确认视频帧率一致后再替换字幕，或使用工具内置的时间轴校准功能SRT 时间码基于绝对时间（毫秒），但不同帧率下同一时间点对应的帧位置不同，直接替换会导致字幕与画面错位。
5.未处理音频采样率低于 16kHz 的视频
✗ 错误
上传一段 8kHz 电话录音，期望得到高精度字幕✓ 修复
先用音频工具将采样率提升至 16kHz 再上传，或确认工具是否自动重采样Whisper 模型训练数据以 16kHz 为主，低于该采样率的音频会丢失高频信息，识别错误率上升约 30%。
6.直接使用带水印或压缩过度的视频文件
✗ 错误
上传一个 480p、码率 500kbps 的抖音下载视频✓ 修复
优先使用原始录制的高码率视频，或先提取无损音频（WAV/FLAC）再上传视频压缩会连带破坏音频频谱细节，Whisper 对高频噪声敏感，低码率音频的识别准确率明显下降。
7.忽略 Whisper 对专业术语和地名的识别缺陷
✗ 错误
视频中反复出现「GNU/Linux」，字幕显示为「G New Linux」✓ 修复
上传后手动校对专业词汇，或使用工具提供的词汇表功能（如有）Whisper 基于通用语料训练，对专有名词、缩略语、品牌名没有上下文记忆，同一词汇在不同位置可能被识别为不同写法。
第三节
工作原理
How It Works核心公式
SRT 时间戳 = floor(帧索引 × 帧时长 × 1000) → hh:mm:ss,ms
变量说明
帧索引音频帧序号，从 0 开始帧时长每帧时间长度，单位秒
示例
音频采样率 16kHz，帧移 320 样本（20ms），帧时长 = 320/16000 = 0.02s。第 150 帧起始时间 = floor(150 × 0.02 × 1000) = floor(3000) = 3000ms → 00:00:03,000。结束时间 = floor(151 × 0.02 × 1000) = 3020ms → 00:00:03,020。SRT 条目：00:00:03,000 --> 00:00:03,020
用户输入
本地处理
输出结果
第五节
常见问题
Q & A问我视频里有人说话也有背景音乐，字幕能识别清楚吗？＋
答
Whisper 模型对背景音乐有一定的抗干扰能力，但效果取决于人声和音乐的音量比例。如果音乐音量明显盖过人声，识别准确率会下降。建议先使用音频编辑软件（如 Audacity）对人声进行简单降噪或提取，再上传处理。本工具上传后直接走本地 Whisper，不会外传数据，可以放心试多次。
问为什么生成的 srt 字幕时间轴对不上视频？＋
答
最常见原因是视频的帧率或音频采样率与 Whisper 默认参数不一致。本工具使用 FFmpeg 提取音频时自动匹配源文件参数，但如果视频本身是可变帧率（VFR）或经过非标准剪辑，时间戳偏移可能达到几百毫秒。建议先用格式工厂或 HandBrake 把视频转为恒定帧率（CFR）再上传。
问支持哪些视频格式？最大能传多大？＋
答
支持常见格式：MP4、MKV、AVI、MOV、FLV、WEBM。音频流必须为 AAC 或 MP3 编码，否则识别无声。文件大小上限 500MB，时长不超过 2 小时；超出会提示截取或压缩。如果视频是 4K 或高码率，建议先用压缩软件缩小体积再上传，本工具只提取音频轨道，画质不影响识别。
问生成的 srt 字幕怎么下载？下载后怎么用？＋
答
处理完成后页面会直接显示字幕内容，并提供「下载 .srt 文件」按钮。SRT 是通用字幕格式，绝大多数播放器（PotPlayer、VLC、暴风影音、手机自带播放器）都支持。把 srt 文件和视频放在同一文件夹、同名（如 video.mp4 和 video.srt），播放器会自动加载。也可以在剪辑软件（如 Pr、剪映）中直接导入。
问为什么识别结果里一堆英文单词，明明我说的是中文？＋
答
Whisper 默认语言检测可能出错，尤其是视频开头有英文歌、旁白或环境音时。本工具在提交页提供了「语言强制指定」选项，选择「中文」后再上传即可大幅减少混入英文的情况。如果已经生成了错误字幕，可以删除重试，不需要额外付费。
问这个工具和剪映、讯飞听见的自动字幕有什么区别？＋
答
剪映的自动字幕依赖云端模型，需要联网且对隐私敏感内容不友好；讯飞听见按分钟收费，适合专业精校。本工具使用本地 Whisper 模型，所有音频在服务器端处理（不上传第三方），隐私性好且免费。缺点是模型较小（base/tiny 级别），对多说话人、方言或极嘈杂环境的识别精度不如商业付费方案。
问上传后等了很久还在处理，是不是卡住了？＋
答
处理时长与视频时长和服务器负载有关。一般 10 分钟视频约需 3-5 分钟处理。如果超过 15 分钟无响应，可能是音频提取失败（如编码不兼容）或服务器过载。此时可以刷新页面重新上传，并检查视频音频编码是否为 AAC/MP3。本工具没有排队机制，提交即处理，长时间无响应建议换格式再试。
问生成的字幕里有些词错了，能直接编辑吗？＋
答
本工具只生成原始 SRT 文件，不提供在线编辑功能。下载后用记事本或任何文本编辑器打开 .srt 文件，直接修改文本行即可。每段字幕格式为「序号→时间轴→文本」，修改后保存，播放器会自动加载新版。如果要批量修正常见错词，可以用 Notepad++ 的查找替换功能。
隐私保证所有计算与处理均在你的浏览器本地完成，输入数据不会上传服务器，也不会保存或共享。