👁 255 次阅读
核心结论：目前AI做视频字幕最靠谱的流程是“Whisper系工具自动转写 + 字幕编辑工具精修 + 剪映/CapCut等视频软件压制导出”。全程不用手动打字幕，10分钟的视频大约15-20分钟能出成品，准确率对普通话和英语都很能打，但方言、多人重叠说话、背景音乐太吵的场景仍需人工校对。
下面我会把整个流程拆开讲清楚，包括每一步用什么工具、踩过什么坑、哪些地方需要手动干预。都是我实际跑过的经验，不是纸上谈兵。
先搞清楚你要哪种字幕
很多人一上来就说“我要给视频加字幕”，但实际需求差很多：
硬字幕：字幕直接烧进画面里，任何播放器打开都能看到，适合发抖音、B站、视频号。
软字幕：单独一个字幕文件（SRT/VTT/ASS），播放器可以开关，适合YouTube、网盘分享、本地播放。
纯文本稿：只要文字内容，不需要时间轴，比如整理访谈记录、会议纪要。
这篇文章主要讲硬字幕的全流程，因为这是绝大多数人的需求。软字幕的流程其实更简单，做到“导出SRT”那一步就停了。
第一步：自动转写，把语音变文字
目前最主流的方案就是 OpenAI 开源的 Whisper 以及它的各种衍生版本。你不用懂代码，现在有很多现成的工具已经把 Whisper 包好了。
我自己常用的几个：
- 剪映/CapCut 自带的“识别字幕”
这是最无脑的方案。把视频拖进剪映，点“文本” → “智能字幕” → “识别字幕”，等它跑完就自动生成带时间轴的字幕了。免费额度对个人用户来说基本够用。
优点：零门槛，识别完直接就能在剪映里改，改完直接导出压制，一条龙。
缺点：准确率比本地跑 Whisper 略低一点，特别是英文混中文、专业术语多的视频。而且剪映的识别需要联网，视频上传到它服务器处理，如果你视频涉及隐私或者还没公开发布的内容，心里要有点数。
- 本地跑 Whisper（ faster-whisper / WhisperDesktop / Buzz ）
如果你不想把视频传上去，或者想要更高的准确率，可以在自己电脑上跑。我目前用的是 faster-whisper，配合一个叫 Buzz 的图形界面工具，不用敲命令行。
实际体验：RTX 3060 显卡跑一个 10 分钟的 1080p 视频，用 medium 模型大约 2-3 分钟转写完。CPU 也能跑，就是慢很多，10 分钟视频可能要十几二十分钟。
Whisper 对普通话的识别准确率我很满意，只要说话人吐字清晰、背景不吵，基本能到 95% 以上。英文的话 large 模型更稳，但 medium 日常也够用。
- 在线工具（网易见外、讯飞听见、腾讯云语音识别等）
这些适合不想折腾本地环境、又对准确率有要求的用户。讯飞听见对中文方言的支持比 Whisper 好一些，粤语、四川话之类的场景可以考虑。但注意这些服务大多是按分钟收费的，价格各家不同，以官网为准。
我的建议：如果你已经在用剪映剪视频，直接用它自带的识别字幕就行，最省事。如果追求准确率或者有隐私顾虑，本地跑 faster-whisper。如果视频里有大量方言，试试讯飞听见。
第二步：导出字幕文件，精修文字
自动识别完，不管准确率多高，一定要人工过一遍。这是整个流程里最不能省的一步。
剪映里可以直接在字幕轨道上双击修改。但我更习惯把字幕导出成 SRT 文件，用专门的编辑器改，效率高很多。
导出方法：剪映里点“导出”旁边的小箭头，选“导出字幕”，格式选 SRT。如果你用的 Buzz 或 faster-whisper，本身就生成 SRT 文件。
字幕编辑工具推荐：
Aegisub：老牌字幕软件，功能强大但界面有点古老，适合做特效字幕、双语字幕的高级用户。
Subtitle Edit：界面友好很多，有波形图对照，修时间轴很方便，免费开源。
Notepad++ / VS Code：如果你只是改几个错别字，直接用文本编辑器打开 SRT 改更快。但要注意别破坏格式。
我平时的做法是：用 Subtitle Edit 打开 SRT，开波形图，一边听一边改。主要改这几类问题：
错别字/同音字：比如“在”和“再”、“的”和“得”这种，Whisper 有时候会搞混。
专有名词：人名、地名、品牌名、产品型号。比如“ChatGPT”可能被识别成“chat g p t”或者“查特GPT”。
断句问题：Whisper 有时候会把两句话合并成一条很长很长的字幕，或者把一句话拆得太碎。我会手动合并或拆分，保持每条字幕不超过 15-20 个字（中文）比较适合阅读。
语气词：如果视频里有太多“嗯”“啊”“就是”之类的口头禅，可以把纯语气词的字幕删掉或者合并到上下文里，不然画面会很乱。但这取决于视频风格，访谈类可能保留更真实。
改完保存 SRT。如果你做的是软字幕，到这一步就可以直接发布了。
第三步：压制硬字幕进视频
要把字幕“烧”进画面，有两条路：
路线 A：直接在剪映里完成（适合大多数人）
如果你前面就是在剪映里识别的字幕，那直接在剪映里改完字幕样式（字体、大小、颜色、位置），然后正常导出视频就行了。剪映会默认把字幕压进画面。
剪映的字幕样式调整很直观，选中字幕轨道，右边可以改字体、字号、描边、阴影、位置。我一般用默认的白色字体加黑色描边，放在画面底部往上一点的位置，避免被平台的水印或者进度条挡住。
路线 B：用压制工具把 SRT 烧进视频（适合已经用其他工具剪好片子的人）
如果你的视频已经在别的软件（PR、Final Cut、达芬奇）里剪好了，不想再导进剪映重新压一遍，那可以用 HandBrake 或 ShanaEncoder 把 SRT 字幕烧录进去。
HandBrake 的操作：导入视频 → 切到“字幕”标签 → 导入 SRT → 勾选“烧录” → 开始编码。编码速度取决于你的电脑配置，H.264 1080p 的话一般 10 分钟视频大概 5-10 分钟压完。
注意一个坑：HandBrake 对中文字体支持有时会出问题，如果默认字体显示成方块，需要在设置里指定一个中文字体文件。另外 ASS 字幕的样式支持比 SRT 好，如果你用 Aegisub 做了花哨的特效字幕，导出成 ASS 再烧录会更还原。
还有一个办法是用 FFmpeg 命令行，一行代码搞定：
text
Copy
Download
ffmpeg -i input.mp4 -vf “subtitles=subtitle.srt” output.mp4
但这个对新手不友好，字体路径、编码格式都要调，不推荐第一次就碰。
第四步：检查与发布
压完字幕后，不要直接发布。先把成片从头到尾快速过一遍，重点看：
字幕有没有超出画面边缘（特别是手机上观看时，安全边距很重要）
有没有字幕和声音对不上的地方（时间轴偏移）
字幕有没有遮挡重要画面信息（比如人物脸、产品文字）
字体在移动端小屏上够不够清晰
我个人的习惯是把压制好的视频传到手机上，用手机播放器看一遍。因为大多数观众是用手机看的，电脑上看没问题不代表手机上也没问题。
工具和流程总结
整个流程走下来，我目前最顺手的组合是：
本地转写：faster-whisper（medium 模型，中文为主）
字幕精修：Subtitle Edit（波形图对齐 + 文本修改）
压制输出：剪映专业版（顺便做最后的画面微调和导出）
如果你完全不想碰本地软件，那就全程用剪映：智能字幕 → 手动改错 → 调样式 → 导出。零门槛，效果也不差。
常见问题（FAQ）
Q：AI 做字幕免费吗？
A：剪映自带识别字幕目前免费，本地跑 Whisper 完全免费（用自己的电脑算力），在线 API 和讯飞听见等服务一般按分钟收费，具体价格以官网为准。
Q：Whisper 支持哪些语言？
A：Whisper 支持 90 多种语言，中文（普通话）、英文、日文、韩文识别效果都很好，粤语也有一定支持但准确率低于普通话。
Q：视频背景音乐太吵导致识别不准怎么办？
A：可以用剪映的“人声分离”功能先提取人声再识别，或者用音频处理软件降噪。实在不行就手动打轴，AI 在极端噪音环境下确实会翻车。
Q：字幕样式可以自定义吗？
A：可以。在剪映或 Aegisub 里都能调整字体、大小、颜色、位置、描边、阴影，甚至做卡拉OK特效。压制到画面后样式就固定了。
Q：10 分钟视频做字幕大概要多久？
A：自动转写 2-5 分钟，人工校对 5-10 分钟，压制导出 5-10 分钟。总耗时大约 15-25 分钟，取决于视频里的语音质量和你的校对速度。