---
title: "Napisy SRT z wideo — za darmo, offline, na własnym komputerze"
description: "Jak wyciągnąć z filmu napisy SRT z czasami, niczego nigdzie nie wysyłając. Z prawdziwymi pomiarami: cztery modele Whispera zmierzone obok siebie, jak długie wychodzą linijki napisów i co naprawdę siedzi w każdym z czterech formatów."
url: https://mediachef.app/pl/napisy-do-wideo/
language: pl
---

# Zrobić napisy SRT z wideo

Przeciągnij film do MediaChef, wybierz „Zrób napisy SRT do wideo”, zostaw model na small i język na automatycznym, i uruchom. Obok filmu pojawi się plik .srt, już z czasami. Wszystko liczy się na twoim komputerze: mowa nie opuszcza dysku, a gdy model jest już pobrany, przepis działa przy wyłączonej sieci. Na laptopie z M5 2 minuty 43 sekundy mowy zajęły 6,2 sekundy na modelu domyślnym — jakieś 26 razy szybciej niż w czasie rzeczywistym — i dały 73 linijki po średnio 39 znaków, czyli na tyle krótkie, że da się je spokojnie przeczytać.

- **Czego potrzebujesz:** MediaChef 0.8.7 plus jednorazowe pobranie modelu
- **Model domyślny:** small — 488 MB, pobierany raz i zostaje
- **Szybkość:** ≈26× czasu rzeczywistego na modelu domyślnym (pomiar, M5)
- **Działa offline:** Tak, gdy model leży już na dysku
- **Formaty:** SRT, VTT, zwykły TXT i JSON — do każdego osobny przepis
- **Co dostajesz:** clip.subs.srt obok filmu, sam film nietknięty

[Pobierz na macOS 66 MB · Apple Silicon](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_aarch64.dmg) [Windows 82 MB · 64-bitowy](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_x64-setup.exe) [Linux 181 MB · x86\_64](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_amd64.AppImage)

Za darmo i z otwartym kodem — [zobacz kod na GitHubie](https://github.com/Kom1sh/mediachef)  [Wszystkie pliki i informacje o wydaniu](https://github.com/Kom1sh/mediachef/releases/latest)

## Jak zrobić napisy do filmu

1.  ### Pobierz MediaChef
    
    Jeden plik dla macOS, Windowsa albo Linuksa. I FFmpeg, i silnik Whispera jadą razem z pobraniem: nic nie trzeba instalować osobno ani dopisywać do PATH.
    
2.  ### Raz pobierz model
    
    Pierwsza transkrypcja poprosi o model mowy. Domyślny to small, 488 MB, i to na nim zrobione są wszystkie pomiary poniżej; tiny waży 78 MB, base 148 MB, a large-v3-turbo 1,62 GB. Pobiera się raz, zostaje na dysku i od tej pory przepis już nie rusza sieci.
    
3.  ### Wrzuć film i wybierz przepis
    
    „Zrób napisy SRT do wideo” bierze film wprost — nie trzeba wcześniej wyciągać dźwięku. MediaChef sam dekoduje ścieżkę do mono 16 kHz, którego wymaga Whisper, w katalogu tymczasowym, którego nigdy nie zobaczysz.
    
4.  ### Uruchom i otwórz .srt
    
    Plik ląduje obok filmu jako clip.subs.srt, z ponumerowanymi linijkami i czasami. Odtwarzacze, montażówki i platformy czytają go wprost, a że to zwykły tekst, nazwisko albo termin poprawisz w dowolnym edytorze.
    

 ![MediaChef gotowy do konwersji: blat czeka na plik wideo, po prawej kolejka zadań.](https://mediachef.app/_astro/app-main-pl-light.BF5qgiGq.png)

Blat, na który trafia film. Przepisy pojawiają się, gdy MediaChef przeczyta plik.

## Który model wybrać

Cztery modele, te same 2 minuty 43 sekundy mowy, ta sama maszyna: laptop z M5 i 16 GB, każdy model najpierw rozgrzany, liczy się lepszy z dwóch przebiegów.

| Model | Pobranie | Czas | Wobec czasu rzeczywistego | Słów nietrafionych |
| --- | --- | --- | --- | --- |
| tiny | 78 MB | 2,1 s | ×78 | 5 z 540 |
| base | 148 MB | 2,6 s | ×63 | 3 z 540 |
| small — domyślny | 488 MB | 6,2 s | ×26 | 0 z 540 |
| large-v3-turbo | 1,62 GB | 11,5 s | ×14 | 1 z 540 |

Ostatnią kolumnę czytaj z poprawką, bo testowe nagranie to głos syntetyczny czytający przygotowany tekst: bez akcentu, bez szumu w tle, bez wchodzenia sobie w słowo. Dlatego nawet najmniejszy model jest tu prawie bezbłędny, a tak nie brzmi nagranie prawdziwej narady — przy trudnym dźwięku różnica między tymi modelami mocno się otwiera. Za to kolumna z czasem przekłada się na twój przypadek wprost. I jeszcze jedno, co gołe porównanie ukrywa: prawie wszystkie rozbieżności to liczby zapisane cyframi zamiast słowami — large-v3-turbo pisał „70”, „10”, „50”, „30” tam, gdzie w tekście były rozpisane. To formatowanie, a nie przesłyszenie.

## Jak długie wychodzą linijki napisów

Technicznie poprawny napis i tak jest bezużyteczny, jeśli wyrzuca na ekran dwadzieścia słów naraz. Modele tną tę samą wypowiedź bardzo różnie — pomiar z tego samego przebiegu.

| Model | Napisów | Średni czas | Znaków średnio | Najdłuższy |
| --- | --- | --- | --- | --- |
| tiny | 35 | 4,7 s | 83 | 97 znaków |
| base | 35 | 4,7 s | 83 | 100 znaków |
| small — domyślny | 73 | 2,2 s | 39 | 58 znaków |
| large-v3-turbo | 30 | 5,4 s | 97 | 112 znaków |

Przyjęta norma telewizyjna to około 42 znaki w wierszu na dwa wiersze, czyli mniej więcej 84 znaki naraz na ekranie. Według tej miary z czwórki mieści się spokojnie tylko small: 39 znaków średnio i 58 w najdłuższym napisie, podczas gdy large-v3-turbo wychodzi poza limit już przy zwykłym. Model domyślny jest więc nie tylko wyważonym wyborem pod względem trafności — tnie też mowę na najczytelniejsze kawałki.

## SRT, VTT, zwykły tekst czy JSON

Ta sama transkrypcja zapisana na cztery sposoby. Rozmiary pochodzą z tych samych 2 minut 43 sekund mowy, więc porównują się wprost.

| Format | Rozmiar | Co jest w środku | Kiedy brać |
| --- | --- | --- | --- |
| SRT | 5,5 KB | Ponumerowane napisy, czasy z przecinkiem: 00:00:00,000 | Prawie zawsze. Biorą go odtwarzacze, montażówki i platformy |
| VTT | 5,3 KB | Nagłówek WEBVTT, czasy z kropką: 00:00:00.000 | Napisy do odtwarzacza webowego, ścieżka w przeglądarce |
| TXT | 3,0 KB | Tekst ciągiem, bez żadnych czasów | Chcesz słowa, a nie napisy |
| JSON | 15,2 KB | Każdy napis plus model i użyte parametry | Czytać to będzie program, a nie człowiek |

SRT i VTT różnią się głównie znakiem między sekundami a milisekundami, więc jeśli odtwarzacz odmówił jednego, drugi to zmiana przepisu, a nie ponowna transkrypcja. JSON waży jakieś trzy razy tyle co SRT, bo obok tekstu niesie dane samego przebiegu.

## Który przepis do czego

Napisy to nie jeden przepis, tylko kilka, a wybranie właściwego oszczędza krok. Wszystkie leżą w katalogu 19 przepisów.

| Co masz | Czego chcesz | Przepis |
| --- | --- | --- |
| Film | Napisy obok niego | Zrób napisy SRT do wideo |
| Plik dźwiękowy | Napisy | Przepisz audio na napisy SRT |
| Mowa w obcym języku | Angielskie napisy w jednym przebiegu | Przetłumacz mowę na angielskie napisy |
| Cokolwiek z mową | Sam tekst | Przepisz audio na tekst |
| Cokolwiek z mową | Ścieżka do odtwarzacza webowego | Przepisz audio na WebVTT |

Przepis tłumaczący idzie od obcej mowy prosto do angielskich napisów z czasami, w jednym przebiegu — nie trzeba najpierw przepisywać, a potem tłumaczyć. Ale idzie wyłącznie na angielski: to ograniczenie modelu, nie aplikacji.

## Dlaczego robić napisy na własnym komputerze

**Mowa nie opuszcza twojego dysku.** Nagrania narad, wywiadów i rozmów to najbardziej wrażliwy rodzaj plików, z jakim większość ludzi w ogóle ma do czynienia, a transkrypcja online to z definicji kopia tej rozmowy na cudzym serwerze. Tutaj nie ma wysyłki, nad którą trzeba by się zastanawiać.

**Zero opłat za minutę.** Usługi transkrypcji liczą po minutach dźwięku, przez co długie archiwum zamienia się w prawdziwy rachunek. Model pobierasz raz, a potem dwugodzinne nagranie kosztuje tyle samo co dwuminutowe: nic.

**Działa przy wyłączonej sieci.** Gdy plik modelu leży już na dysku, ten przepis nie rusza internetu w ogóle. Działa w samolocie, na zamkniętej maszynie i w sali, w której wi-fi jest najmniej niezawodną obecną rzeczą.

**Bez limitu długości.** Darmowe transkrybatory w przeglądarce zwykle tną po kilku minutach na plik — dokładnie wtedy, gdy nagranie warto przepisać właśnie dlatego, że jest długie. Tutaj sufitu nie ma.

**Cały folder naraz.** Wrzuć katalog nagrań, a kolejka przejdzie po nich po kolei i powie, gdzie zapisał się każdy plik napisów.

## Kiedy to nie jest właściwe narzędzie

Przepis zapisuje plik napisów. To węższa robota niż „wgranie napisów w film”, i ta różnica ma znaczenie w takich sytuacjach.

1.  ### Chcesz napisy wypalone w obrazie.
    
    Tutaj powstaje osobny .srt, który odtwarzacz wczytuje obok filmu. Wpalenie tekstu na stałe w klatki to inna operacja: przekodowuje film, a potem tych słów już się nie wyłączy ani nie poprawi.
    
2.  ### Potrzebujesz dokładności emisyjnej.
    
    Nawet na czystym dźwięku z pomiarów wyżej modele potykały się na kilku słowach, a prawdziwe nagrania są trudniejsze. Wszystko, co publikuje się pod wymogiem dostępności, przed emisją czyta człowiek — niezależnie od tego, co zrobiło brudnopis.
    
3.  ### Dźwięk jest naprawdę kiepski.
    
    Gęste wchodzenie sobie w słowo, sala nagrana telefonem albo muzyka głośniejsza od głosu położą wszystkie cztery modele. Naprawienie najpierw dźwięku — choćby przez wyciągnięcie czystszej ścieżki — daje więcej niż przejście na większy model.
    
4.  ### Potrzebujesz tłumaczenia na coś innego niż angielski.
    
    Whisper tłumaczy na angielski i tylko na niego. Do dowolnego innego języka docelowego najpierw przepisz w oryginale, a powstały tekst przetłumacz narzędziem zrobionym do tego.
    

## Pytania

**Czy to jest za darmo?**

Tak, w całości. MediaChef jest otwartoźródłowy na licencji GPL-3.0: nie ma wersji płatnej, opłat za minutę ani limitu długości pliku. Modele też pobiera się za darmo. Aktualna wersja to 0.8.7.

**Czy mój film gdzieś się wysyła?**

Nie. Mowę przetwarza plik modelu leżący na twoim własnym dysku. Przez sieć przechodzi wyłącznie jednorazowe pobranie modelu, a potem przepis działa przy wyłączonym internecie.

**Ile to trwa?**

Jakieś 26 razy szybciej niż w czasie rzeczywistym na modelu domyślnym: zmierzyliśmy 6,2 sekundy na 2 minuty 43 sekundy mowy, laptop z M5. W tej proporcji godzinne nagranie schodzi w kilka minut. Na tym samym dźwięku tiny dał ×78, a large-v3-turbo ×14.

**Który model wybrać?**

Zacznij od small, który stoi domyślnie. W naszych pomiarach nie pomylił w testowym dźwięku ani jednego słowa i dał najczytelniejsze linijki — 39 znaków średnio wobec 97 u large-v3-turbo. Wyżej wchodź tylko wtedy, gdy dźwięk jest trudny; schodź do tiny albo base, jeśli chcesz brudnopis w kilka sekund.

**Ile waży model?**

78 MB tiny, 148 MB base, 488 MB small i 1,62 GB large-v3-turbo. Pobranie jest jednorazowe. Potem plik leży na dysku i każdy kolejny przebieg bierze go bez pytania.

**Czy muszę podawać język mowy?**

Nie. Język stoi na automatycznym i model sam go rozpoznaje po dźwięku. Można go jednak wskazać wprost i warto to zrobić, gdy nagranie otwiera się kilkoma zdaniami w innym języku.

**Czy potrafi przetłumaczyć napisy na angielski?**

Tak, przepisem „Przetłumacz mowę na angielskie napisy”: na wejściu obca mowa, na wyjściu angielski SRT z czasami, w jednym przebiegu zamiast „najpierw przepisz, potem przetłumacz”. Angielski to jedyny język docelowy, jaki obsługuje model.

**Czym różni się SRT od VTT?**

Głównie interpunkcją w czasach: SRT pisze 00:00:00,000 z przecinkiem i numeruje napisy, VTT pisze 00:00:00.000 z kropką i zaczyna się wierszem WEBVTT. SRT to czego oczekują odtwarzacze i montażówki; VTT to czego chce odtwarzacz webowy dla własnej ścieżki napisów. To osobne przepisy, więc zmiana formatu to ponowny przebieg, a nie przepisywanie pliku.

**Czy napisy da się potem poprawić?**

Da się — .srt to zwykły tekst. Otwórz w dowolnym edytorze i popraw nazwisko, żargon albo czas. Tak się właśnie normalnie pracuje: model robi dziewięćdziesiąt kilka procent, resztę dociągasz ręcznie.

**Dlaczego moje linijki są za długie?**

Bo to model decyduje, gdzie ciąć, a większe modele tną rzadziej. Zmierzyliśmy 39 znaków na napis przy small wobec 97 przy large-v3-turbo, na tym samym dźwięku. Jeśli linijki ci się rozłażą, powrót na small zwykle to naprawia — a przy czystej mowie nic nie kosztuje w trafności.

**Czy rozróżnia mówiących?**

Nie. Whisper zapisuje, co zostało powiedziane, a nie kto to powiedział. Jeśli potrzebujesz oznaczeń „Mówca 1 / Mówca 2”, wstawisz je ręcznie albo weźmiesz narzędzie zrobione właśnie do tego.

**Co się stanie, jeśli w pliku nie ma mowy?**

Przebieg zatrzyma się i powie, że nie usłyszał nic zrozumiałego, zamiast po cichu zapisać pusty plik. Cisza nie daje napisów — i tak ma być.

**Czy działa na Windowsie i Linuksie?**

Na wszystkich trzech systemach. Mowa liczy się wszędzie na procesorze, a na Apple Silicon dodatkowo na układzie graficznym — stąd te szybkie liczby wyżej. Ten sam przepis na skromnym laptopie z Windowsem będzie wolniejszy, ale wciąż szybszy niż odsłuchanie całego nagrania.

**Czy mogę zrobić napisy do kilku plików naraz?**

Tak. Wrzuć cały folder, dodaj przepis, a kolejka przejdzie po nich jeden po drugim. Każdy plik napisów zapisuje się obok własnego źródła.

**Czy plik wideo się zmienia?**

Nie. Obok zapisuje się osobny .srt — clip.subs.srt — a film nie jest zmieniany, przemianowywany ani przekodowywany. Ten przepis w ogóle nie rusza obrazu.

## Zrób napisy do tego filmu

MediaChef 0.8.7 — za darmo, otwarty kod, macOS · Windows · Linux.

[Pobierz na macOS 66 MB · Apple Silicon](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_aarch64.dmg) [Windows 82 MB · 64-bitowy](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_x64-setup.exe) [Linux 181 MB · x86\_64](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_amd64.AppImage)

Za darmo i z otwartym kodem — [zobacz kod na GitHubie](https://github.com/Kom1sh/mediachef)  [Wszystkie pliki i informacje o wydaniu](https://github.com/Kom1sh/mediachef/releases/latest)

MediaChef jest młody: kompilacje nie są jeszcze podpisane przez Apple ani Microsoft, więc pierwsze uruchomienie prosi o potwierdzenie — w każdym pobraniu jest instrukcja w zwykłym tekście.

Coś nie działa albo czegoś brakuje? Napisz do nas: [hello@mediachef.app](mailto:hello@mediachef.app)

Czytaj dalej

-   [Audio na tekst — ten sam silnik, same słowa](https://mediachef.app/pl/transkrypcja-audio-na-tekst/)
-   [Przytnij wideo — zmierzone i bezstratne](https://mediachef.app/pl/przyciac-wideo/)
-   [Wszystkie 19 przepisów według kategorii](https://mediachef.app/pl/przepisy/)
