工作原理
- 放入视频。声音在你的电脑上提取。
- 生成字幕。第一次使用时会下载语音模型（“快速”约 80 MB，“准确”约 250 MB），并缓存在浏览器中——下次启动就是即时的。之后识别在你的处理器上运行；你的音频绝不会离开设备。
- 编辑。点击时间可跳转到该处，在列表中修改文字、删除行，或者在字幕偏早或偏晚时整体平移。
- 保存。下载 .srt 或 .vtt 文件，或保存字幕已烧录进画面的视频。
烧录字幕，还是单独的文件？
- 烧录（硬字幕）——成为画面的一部分，在任何地方都能看到：Instagram、TikTok、LinkedIn、WhatsApp、任何电视。大多数社交视频是静音观看的，所以这是社交媒体的常见选择。视频会被重新编码。
- 视频旁边的 .srt（外挂字幕）——观众可以开启或关闭。文件名与视频一致（
holiday.mp4+holiday.srt），VLC、Plex、Kodi 和大多数智能电视都会自动识别。YouTube 和 Vimeo 也接受 SRT 和 VTT 上传。
准确度如何？
对于安静环境中的清晰语音，Whisper 能识别出大部分词；人名、品牌和专业术语是你需要修改的地方。背景音乐、多人同时说话和浓重的口音会降低准确度。“准确”使用更大的模型，错误明显更少，但速度约为三分之一。
需要多长时间？
在近几年的普通笔记本电脑上，“快速”模型处理语音的速度约为实时的 3–4 倍——10 分钟的视频大约需要 3 分钟。“准确”大约以实时速度运行。较旧或低功耗的电脑会更慢；运行时你可以继续使用其他标签页。
语言与翻译
Whisper 能识别约 100 种语言，并会自动检测语言。它还能把语音翻译成英文字幕：选择“英语（翻译）”——适合把用其他语言录制的视频分享给说英语的观众。
从设计上保护隐私
大多数字幕生成工具会把你的视频上传到它们的服务器，并按分钟收费。这里的模型在你的浏览器本地运行，所以没有上传、没有时长限制，也没有订阅——适合访谈、内部会议和任何机密内容。
常见问题
免费吗？
是的，没有分钟数限制，没有水印，也无需注册。
我的视频会被上传吗？
不会。只有语音模型会从 Hugging Face 下载一次；你的视频和音频都留在你的电脑上。
SRT 和 VTT 有什么区别？
两者都是纯文本字幕文件。几乎所有播放器和电视都支持 SRT；VTT 是 HTML5 播放器使用的网页标准。请下载你的平台所要求的那一种。
可以添加我自己的 SRT 文件并烧录吗？
可以——使用“导入 SRT/VTT”，检查时间轴，然后保存带烧录字幕的视频。
为什么第一次运行很慢？
语音模型需要下载一次（80–250 MB）。之后它会被浏览器缓存。
最后更新: 30/10/2026