把视频转成 SRT 字幕

是，全部免费。MediaChef 是 GPL-3.0 下的开源软件：没有付费版，不按分钟收费，也不限制文件长度。模型同样是免费下载。当前版本是 0.8.5。

不会。处理语音的是一个躺在你自己硬盘上的模型文件。唯一经过网络的只有那次一次性的模型下载，之后这道菜谱断网照跑。

默认模型大约是实时速度的 26 倍：我们在一台 M5 笔记本上，测得 2 分 43 秒的语音用时 6.2 秒。按这个比例，一小时的录音两三分钟就完事。同一段音频上，tiny 是 ×78，large-v3-turbo 是 ×14。

从默认的 small 开始。在我们的实测里，它把测试音频的每个词都听对了，而且给出的字幕最好读——平均 39 个字符，而 large-v3-turbo 是 97 个。只有当你的音频很难时才往上换；想要几秒钟出个草稿，就往下换 tiny 或 base。

tiny 78 MB，base 148 MB，small 488 MB，large-v3-turbo 1.62 GB。下载是一次性的。之后文件就留在硬盘上，后续每次运行都会默默取用。

不需要。语言默认是自动，模型会从音频里自己判断。当然你也可以明确指定，如果录音开头有几句是另一种语言，这么做很值得。

能，用「把语音翻译成英文字幕」这道菜谱：进去是外语语音，出来是带时间轴的英文 SRT，一遍完成，而不是先转写再翻译。英文是模型支持的唯一目标语言。

主要是时间轴里的标点：SRT 写成 00:00:00,000，用逗号，而且给每条字幕编号；VTT 写成 00:00:00.000，用点号，开头是一行 WEBVTT。播放器和剪辑软件预期的是 SRT；网页播放器给自己的字幕轨要的是 VTT。它们是两道不同的菜谱，所以换格式是重跑一次，而不是改写文件。

能——.srt 就是纯文本。用任何编辑器打开，改掉一个专名、一个术语或一处时间。这本来就是正常的工作方式：模型做掉九十几个百分点，剩下的你手工补齐。

因为在哪儿断句是模型定的，而越大的模型断得越少。同一段音频上，我们测得 small 平均每条 39 个字符，large-v3-turbo 是 97 个。如果你的字幕越拖越长，换回 small 通常就能解决——而且在干净语音上，这不会让准确度有任何损失。

不能。Whisper 写的是说了什么，不是谁说的。如果你需要「说话人 1／说话人 2」这样的标注，得自己手工加，或者用专门为此而做的工具。

这次运行会停下并告诉你它没听到任何可辨识的内容，而不是悄悄写出一个空文件。静音不产出字幕，这是有意为之。

三个平台都能用。语音识别在所有平台上都跑在 CPU 上，在 Apple Silicon 上还会额外用到 GPU——上面那些快速的数字就是这么来的。同样的菜谱在一台普通的 Windows 笔记本上会慢一些，但仍然比把录音听一遍快。

可以。拖进一整个文件夹，加上菜谱，队列就会一个接一个地处理。每份字幕文件都写在它自己那个源文件旁边。

不会。旁边会写出一个独立的 .srt——clip.subs.srt——视频本身不会被修改、改名或重新编码。这道菜谱完全不碰画面。