免费字幕生成器

操作示例

拖入一个 4:30 的 interview.mp4。文件标签显示名称、大小和 4:30，并出现一个小播放器。在英文页面上，“口语语言”起始为英语，“字幕语言”起始为“原语言”，“字幕长度”起始为“标准（电视）”，提示为“最多两行、每行 42 个字符，与电视和流媒体字幕一致。”当浏览器在处理器上运行“精准”模型时，页面显示“时长 4:30。在普通笔记本电脑上大约需要 5:15；手机处理会更慢。”点击“生成字幕”。进度条依次显示“正在准备音频...”、“正在下载语音模型...”（仅首次访问）、“正在转录...”并带有“大约剩余 2:10”的倒计时，然后是“正在构建字幕...”。列表标题为“字幕 (58)”。点击时间可跳转到相应位置，点击文字可更正，然后点击“下载 SRT”。文件名为 interview.srt。

使用哪些设置，以及限制

• 知道说话语言时，请明确指定。 “口语语言”菜单起始为你正在阅读的页面所用的语言（如果语音模型支持），例如在英文页面上就是英语。其他语言的视频需要选择它自己的语言，或选择“自动检测”。明确指定语言是更稳妥的选择，因为检测可能会把安静的片段误判。如果在英文页面上把“字幕语言”设为“英文（翻译）”，菜单会改为起始于“自动检测”，因为翻译成英文的人大概听到的不是英语。
• 让字幕长度与视频的播放场合相匹配。 “字幕长度”提供“短（社交媒体）”、“标准（电视）”和“长（完整句子）”。“短”每次显示一个短行，最长 3 秒，适合竖屏手机视频。“标准”允许最多两行、每行 42 个字符。“长”每条字幕给出一到两个完整句子，适合演讲和讲座。字幕出现之后，同一个菜单位于列表上方。更改它会根据已完成的识别结果重建列表，所以不需要重新听一遍，但会覆盖你所做的任何编辑。
• 展开“更多”来选择“精准”或“快速”，并列出人名。 “准确度”提供“精准”（Whisper base 模型）和“快速”（较小的 tiny 模型）。在处理器上运行模型时，下载量分别为 77.1 MB 和 42.7 MB，工具对“快速”的默认估计是每分钟音频所需时间的一半。手机起始为“快速”，其他设备起始为“精准”。“人名或特殊词汇”接受以逗号分隔的列表，例如“Kayla, Nathan, Rotorua”。识别之后，4 到 6 个字母、与列表中名称相差一个字母的词，或 7 个及以上字母、相差两个字母的词，会被改写为相同的拼写。它无法修复词数错误，所以仍需检查人名。
• 选择英文输出，或事后翻译。 “字幕语言”提供“原语言”和“英文（翻译）”。后者让语音模型边听边翻译成英文，无需额外下载，在手机上也能使用。它适合西班牙语、法语、德语、葡萄牙语和意大利语等使用广泛的语言，对其他语言则较粗糙；“快速”的翻译效果明显不如“精准”。所做的选择会以 #to=en 的形式保存在页面地址中，翻译后的文件命名形如 talk.en.srt。带有内置翻译器的浏览器（如电脑上较新的 Chrome）还会在字幕下方显示“将字幕翻译为”菜单和“翻译”按钮。
• 根据文件长度和你的设备做好安排。 电脑最多为文件的 5:00:00 生成字幕，手机最多为 1:30:00；更长的文件会显示“此文件总长 6:10:00。此设备只能为其前 5:00:00 的内容生成字幕；要处理剩余部分，请先将文件切分成多个片段。”第一次的时间估计假定手机比电脑慢 3.5 倍，之后在一次较长的运行后，工具会记住你设备的真实速度。在第一次下载之前，手机会显示“在手机上这会很慢——预计需要几分钟，请保持此标签页打开。”。“取消”会停止运行，并保留已生成的字幕。
• 编辑列表，然后保存 SRT、VTT 或烧录字幕的视频。 点击字幕的时间可从该处播放，点击其文字可编辑，点击 ✕ 可删除。一条提示会统计被判为“疑似识别错误”而被忽略的行数。“下载 SRT”和“下载 VTT”保存文本文件。“下载带字幕的视频”会把字幕绘制进 H.264 的 MP4，音频为 160 kbps 的 AAC，文件名形如 interview_captions.mp4；“位置”、“大小”和“文本背景框”可改变外观，预览与之相符。音频文件只能得到 SRT 和 VTT。对于大于约 2 GB 的文件、在报告内存为 4 GB 或更少的电脑上大于 1 GB 的文件，或在手机上大于 400 MB 的文件，烧录按钮会被禁用。

常见问题及解决方法

提示“无法下载语音模型。请检查您的网络连接并重试。”，而“重试”立刻又失败了。

模型下载失败或中途停止。请检查网络连接并点击“重试”。在网速慢或不稳定的连接上，请在“更多”下选择下载量较小的“快速”（在处理器上为 42.7 MB）。浏览器存储已满时会有单独的提示：“浏览器的存储空间已满，因此无法保存模型。”如果可用空间小于模型大小的 1.2 倍（处理器上“精准”为 92.5 MB，“快速”为 51.2 MB），工具会在下载之前停止。请释放设备上的空间，或在浏览器设置中清除不需要的网站所保存的数据，然后重试，或选择所需空间更小的“快速”。

提示“在此文件中未检测到语音。如果文件中确实有人说话，请选择他们的语言并重试。”

在工具去掉疑似识别错误的行（例如重复内容、音乐或静音部分的文字，以及“感谢观看”之类的零散行）之后，识别结果为空。只有音乐或完全静音的文件就会这样结束。如果确实有人说话，常见原因是语言：菜单起始为页面的语言，而不是自动检测，所以法语视频需要选择“法语”或“自动检测”。更改后请再次点击“生成字幕”。

提示“字幕生成失败。请尝试“快速”准确度设置，或使用更短的文件。”，或者在中途提示“由于发生错误，字幕生成在 12:40 处停止。以下是目前已生成的字幕。”

模型加载之后出了问题，例如设备内存不足或工作线程失去响应。每一段音频大约有 2 分钟的时间来显示活动迹象（第一段为 5 分钟，因为它要启动引擎），丢失的工作线程会重试一次。“快速”声明的内存峰值更低，为 190 MB，而“精准”为 320 MB。请在“更多”下选择它、尝试更短的文件或关闭其他标签页。出现第二条提示时，已生成的字幕会保留，所以你仍可下载它们。

提示“视频字体无法绘制这些字符：日本語。请下载 SRT 或 VTT，让播放器来显示它们。”

烧录使用本站提供的三种字体，涵盖拉丁文、希腊文、西里尔文、越南文、阿拉伯文和希伯来文。其他文字（如日文或天城文）的字符会是空白，所以在开始任何处理之前，烧录按钮就会被禁用。“下载 SRT”和“下载 VTT”仍然可用，媒体播放器会用自己的字体绘制字幕。如果字体本身加载失败，你会看到“无法加载字幕字体。请检查您的网络连接并重试。”

提示“无法读取此文件。请先尝试将其转换为 MP4 或 MP3 格式。”，或“此文件没有音轨，因此没有可生成字幕的内容。”

工具在请求模型之前，先解码最初的一段音频，所以无法读取的文件不会消耗模型下载。第一条提示表示解码器无法读取音频：请把文件转换为 MP4 或 MP3 后重新添加。第二条表示文件没有声音。如果解码器内存不足，你会看到“处理此文件时浏览器内存不足 — 文件对此设备来说太大。请尝试更短的片段、更小的文件，或使用台式电脑。”

对比分析

此工具用 Whisper（base 或 tiny）在你的设备上把语音转换为带时间的字幕，然后保存 SRT、VTT 或烧录字幕的 MP4。它提供的是文字列表，而不是波形时间轴；“需要调整时间轴？在字幕编辑器中打开”会在新标签页中把 SRT 发送到那里。如果只要纯文字稿，“音频转文字”更合适。它不会标注谁在说话，烧录的外观只有位置、大小和白色文字后面的背景框。由于在浏览器中运行，不会上传任何内容，但它比服务器慢：在电脑上的默认估计是，“精准”约为视频时长，“快速”约为其一半，另加 45 秒启动时间。识别会出错，因此请在发布之前通读字幕。