自动字幕生成与音频转文字(SRT、VTT)
带字幕的视频预览 带时间戳的 SRT / VTT · 19 种语言
语音模型约 106 MB · 仅下载一次
字幕能让视频更容易看懂、也更容易被搜索到,文字稿则方便做笔记、摘录和翻译。这个工具在你的浏览器中用开源语音识别模型 Whisper 听取视频或音频文件,生成带时间戳的字幕,可保存为 .srt、.vtt 或纯文本。文件不会上传。
如何自动生成字幕
- 把视频(.mp4、.mov、.webm、.m4v)或音频文件(.mp3、.wav、.m4a、.aac、.ogg、.opus、.flac)拖到工作区。工具会读取其中的声音;接受最长一小时的文件。
- 选择「语言」:「自动检测」,或选择视频中所说的语言——对短片段和带口音的语音更可靠。在「输出」中保持「保持原语言」,或选择「翻译成英语」。
- 点击「开始」。首次使用时,语音模型(约 106 MB)会从 aztools.us 下载并保存在浏览器中;之后再用会立即开始。进度行会显示已转写了录音的多少。点击「停止」可取消。
- 在预览中查看结果。如果是视频,可以播放它:字幕会显示在画面上,方便你核对时间。
- 在「格式」中选择 SRT、VTT 或 TXT,然后导出。切换格式不会重新转写。
字幕格式怎么选
| 格式 | 适用场景 |
|---|---|
| .srt | 上传到 YouTube、Facebook、TikTok,以及大多数视频剪辑软件(Premiere、DaVinci Resolve、CapCut) |
| .vtt | 网页视频播放器(HTML <track> 元素)和一些学习平台 |
| .txt | 不带时间戳、便于阅读的文字稿;停顿两秒后另起一段 |
识别准确度与速度
- 使用的模型是 Whisper base,一个在处理器上运行的 8 位版本。英语和其他主要语言的清晰语音识别效果不错;人名、生僻词和浓重口音需要核对。
- 每行字幕控制在约七秒和 84 个字符以内,这是字幕的常用上限。
- 背景音乐、多人同时说话和长时间静音,可能导致漏行或生成并不存在的内容。工具会去掉 [Music] 之类的标签,以及模型遇到音乐时产生的重复循环内容;当文件似乎主要是音乐时,会给出提示。
- 在较新的电脑上,转写大约需要录音时长的四分之一到一半。手机和较旧的电脑更慢;处理期间请保持标签页打开。
自动字幕生成:常见问题
- 支持哪些语言?
- 列表包含英语、越南语、中文、日语、韩语、西班牙语、葡萄牙语、德语、法语、意大利语、俄语、印度尼西亚语、泰语、印地语、阿拉伯语、土耳其语、荷兰语、波兰语和乌克兰语。自动检测还能识别 Whisper 所支持的其他语言。
- 能把字幕直接烧录进视频吗?
- 不能,工具生成的是单独的字幕文件。可以把 .srt 和视频一起上传,或在视频剪辑软件中添加,在那里还能设置文字样式和位置。
- 我的视频会被上传吗?
- 不会。声音在你的浏览器标签页中解码和转写。只有语音模型及其运行环境会从 aztools.us 下载一次。
相关工具
MP4 视频剪切与片段裁剪
精确拖到某一秒,剪掉 MP4、MOV、WebM 视频中不需要的片头或片尾,实时预览播放效果,并下载干净的片段,无需上传。
.mp4 .mov .webm
+1
横屏转 9:16 竖屏视频裁剪
为 TikTok、Reels 和 Shorts 重新构图宽屏 16:9 录像:可在视频上拖动 9:16 裁剪框,或将画面放在模糊背景或黑边中间,剪切后导出 720×1280 或 1080×1920 的 MP4。
.mp4 .mov .mkv
+1
从视频提取 MP3 音频(MP4 / MOV / WebM)
直接在浏览器中把任意 MP4、MOV 或 WebM 视频转为清晰的 MP3、M4A 或 WAV 音频,在波形上精确剪出所需片段,并调节音量。
.mp4 .mov .webm
+1