---
title: "视频生成 SRT 字幕 —— 免费、离线、在自己电脑上完成"
description: "如何从视频里得到带时间轴的 SRT 字幕，而不把它上传到任何地方。附真实实测：四个 Whisper 模型并排计时、字幕每条有多长，以及四种输出格式里到底装了什么。"
url: https://mediachef.app/zh/shipin-zhuan-zimu/
language: zh
---

# 把视频转成 SRT 字幕

把视频拖进 MediaChef，选「为视频生成 SRT 字幕」，模型保持 small、语言保持自动，然后运行。视频旁边就会出现一个 .srt 文件，时间轴已经写好。一切都在你的电脑上完成：语音不会离开硬盘，而且模型下载完之后，这道菜谱断网也照跑。在一台 M5 笔记本上，2 分 43 秒的语音用默认模型花了 6.2 秒——大约是实时速度的 26 倍——并生成了 73 条字幕，平均每条 39 个字符，短到足以从容读完。

- **需要什么:** MediaChef 0.8.7，外加一次性的模型下载
- **默认模型:** small——488 MB，下载一次就留在本地
- **速度:** 默认模型约为实时的 26 倍（M5 实测）
- **离线可用:** 可以，只要模型已经在硬盘上
- **格式:** SRT、VTT、纯 TXT 和 JSON——各有一道菜谱
- **得到什么:** 视频旁边的 clip.subs.srt，原视频不动

[下载 macOS 版 66 MB · Apple Silicon](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_aarch64.dmg) [Windows 82 MB · 64 位](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)

免费且开源—— [在 GitHub 上查看代码](https://github.com/Kom1sh/mediachef)  [全部文件与版本说明](https://github.com/Kom1sh/mediachef/releases/latest)

## 怎样给视频做字幕

1.  ### 下载 MediaChef
    
    macOS、Windows、Linux 各一个文件。FFmpeg 和 Whisper 运行器都随安装包一起来：不用单独装，也不用往 PATH 里加东西。
    
2.  ### 下载一次模型
    
    第一次转写会要一个语音模型。默认是 488 MB 的 small，下面所有实测都用它；tiny 是 78 MB，base 是 148 MB，large-v3-turbo 是 1.62 GB。只下载一次，留在硬盘上，之后这道菜谱就再也不碰网络了。
    
3.  ### 把视频拖进来，选菜谱
    
    「为视频生成 SRT 字幕」直接接收视频——不用先把音频抽出来。MediaChef 会在一个你永远看不到的临时目录里，把音轨解码成 Whisper 要求的 16 kHz 单声道。
    
4.  ### 运行，然后打开 .srt
    
    文件会以 clip.subs.srt 的名字落在视频旁边，带编号的字幕和时间轴都在里面。播放器、剪辑软件和视频平台都能直接读；因为它是纯文本，人名或术语在任何编辑器里都能改。
    

 ![MediaChef 准备转换：操作台等待视频文件，任务队列在右侧。](https://mediachef.app/_astro/app-main-zh-light.DrjmBGkU.png)

视频落在这块操作台上。MediaChef 读完文件后，菜谱就会出现。

## 该选哪个模型

四个模型，同一段 2 分 43 秒的语音，同一台机器：16 GB 的 M5 笔记本，每个模型先预热，取两次运行里较好的一次。

| 模型 | 下载体积 | 耗时 | 相对实时 | 认错的词 |
| --- | --- | --- | --- | --- |
| tiny | 78 MB | 2.1 秒 | ×78 | 540 里错 5 个 |
| base | 148 MB | 2.6 秒 | ×63 | 540 里错 3 个 |
| small——默认 | 488 MB | 6.2 秒 | ×26 | 540 里错 0 个 |
| large-v3-turbo | 1.62 GB | 11.5 秒 | ×14 | 540 里错 1 个 |

最后一列请谨慎地读，因为测试音频是合成语音朗读事先写好的稿子：没有口音、没有背景噪音、也没有人抢话。正因如此，这里连最小的模型都近乎全对，而真实会议录音根本不是这个样子——音频一难，这几个模型之间的差距就会明显拉开。反倒是耗时那一列可以原样搬到你的场景里。还有一件被粗略对比掩盖掉的事：绝大多数不一致其实是数字写成了阿拉伯数字而非汉字——稿子里念的是完整读法，large-v3-turbo 却写成「70」「10」「50」「30」。那是格式问题，不是听错。

## 字幕每条有多长

技术上完全正确的字幕，如果一次往屏幕上砸二十个词，照样没法用。同一段话，几个模型切得很不一样——这是同一次运行里测的。

| 模型 | 字幕条数 | 平均时长 | 平均字符数 | 最长一条 |
| --- | --- | --- | --- | --- |
| tiny | 35 | 4.7 秒 | 83 | 97 个字符 |
| base | 35 | 4.7 秒 | 83 | 100 个字符 |
| small——默认 | 73 | 2.2 秒 | 39 | 58 个字符 |
| large-v3-turbo | 30 | 5.4 秒 | 97 | 112 个字符 |

通行的播出规范大约是每行 42 个字符、最多两行，也就是同屏约 84 个字符。按这把尺子量，四个里只有 small 装得下且有余裕：平均 39 个字符，最长 58 个；而 large-v3-turbo 连一条普通字幕都已经越线。所以默认模型不只是准确度上的均衡之选——它把话切成的段落也最好读。

## SRT、VTT、纯文本还是 JSON

同一份转写稿的四种写法。体积都来自同一段 2 分 43 秒的语音，因此可以直接横向比较。

| 格式 | 体积 | 里面装了什么 | 什么时候用 |
| --- | --- | --- | --- |
| SRT | 5.5 KB | 带编号的字幕，时间用逗号：00:00:00,000 | 绝大多数时候。播放器、剪辑软件和平台都收 |
| VTT | 5.3 KB | WEBVTT 头部，时间用点号：00:00:00.000 | 给网页播放器用的字幕，浏览器里的那条轨 |
| TXT | 3.0 KB | 一段连着一段的文字，完全没有时间轴 | 你要的是文字，不是字幕 |
| JSON | 15.2 KB | 每条字幕，外加所用的模型和参数 | 读它的将是程序，不是人 |

SRT 和 VTT 主要差在秒与毫秒之间的那个符号上，所以某个播放器不认其中一种时，换成另一种只是换道菜谱，而不是重新转写一遍。JSON 大约是 SRT 的三倍重，因为它在文字旁边还捎带了这次运行的各项信息。

## 什么情况用哪道菜谱

字幕不是一道菜谱，而是好几道，挑对了能省一步。它们全都在 19 道菜谱的目录里。

| 你手上有什么 | 你想要什么 | 菜谱 |
| --- | --- | --- |
| 一个视频 | 旁边配一份字幕 | 为视频生成 SRT 字幕 |
| 一个音频文件 | 字幕 | 把音频转成 SRT 字幕 |
| 外语语音 | 一遍出英文字幕 | 把语音翻译成英文字幕 |
| 任何带语音的东西 | 只要文字 | 把音频转成文字 |
| 任何带语音的东西 | 给网页播放器的一条轨 | 把音频转成 WebVTT |

翻译那道菜谱是从外语语音直接到带时间轴的英文字幕，一遍完成——不需要先转写再翻译。不过它只能译成英文：这是模型的限制，不是软件的。

## 为什么在自己电脑上做字幕

**语音不离开你的硬盘。** 会议、访谈和通话的录音，是大多数人手里最敏感的一类文件；而在线转写，按定义就是把那段对话复制一份到别人的服务器上。这里根本没有上传这回事需要你去掂量。

**没有按分钟计费。** 转写服务按音频分钟数收钱，一批长录音就是一张实打实的账单。模型只下载一次，之后两小时的录音和两分钟的录音花费一样：零。

**断网也能跑。** 模型文件一旦落在硬盘上，这道菜谱就完全不碰互联网。它在飞机上能用，在封闭的机器上能用，在无线网是全场最不靠谱那件东西的房间里也能用。

**没有长度上限。** 免费的网页转写工具通常每个文件只给你几分钟——而一段录音之所以值得转写，恰恰就是因为它长。这里没有上限。

**一次一整个文件夹。** 把一个录音目录拖进来，队列会一个一个处理，并告诉你每份字幕文件写到了哪里。

## 什么时候它不是合适的工具

这道菜谱写的是一个字幕文件。这比「给视频加字幕」要窄，而这个区别在下面几种情况下很要紧。

1.  ### 你要把字幕烧进画面里。
    
    这里产出的是一个独立的 .srt，由播放器在视频旁边加载。把文字永久印进画面是另一回事：那要重新编码视频，而且之后这些字既关不掉也改不了。
    
2.  ### 你需要播出级的准确度。
    
    即使在上面那段干净音频上，几个模型也都在个别词上绊了一下，而真实录音更难。凡是在无障碍法规要求下发布的内容，出街前都要经人校对——不管初稿是什么做出来的。
    
3.  ### 音频确实很糟。
    
    严重的抢话、用手机录的一整间屋子，或者音乐盖过人声，会把这四个模型全部放倒。先把音频修一修——哪怕只是抽出一条更干净的轨——比往上换一档模型管用得多。
    
4.  ### 你需要译成英文以外的语言。
    
    Whisper 只能译成英文，也只有英文。要译成其他任何语言，请先按原语言转写，再用为此而做的工具去翻译那份文字。
    

## 常见问题

**这是免费的吗？**

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 0.8.7。

**我的视频会被上传到哪里吗？**

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。

**要花多长时间？**

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。

**我该选哪个模型？**

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。

**模型有多大？**

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。

**我需要告诉它说的是什么语言吗？**

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。

**它能把字幕翻译成英文吗？**

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。

**SRT 和 VTT 有什么区别？**

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。

**字幕之后能改吗？**

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。

**为什么我的字幕有几条太长了？**

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。

**它能区分说话人吗？**

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。

**如果文件里根本没有人说话会怎样？**

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。

**Windows 和 Linux 上能用吗？**

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。

**能一次给多个文件做字幕吗？**

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。

**视频文件会被改动吗？**

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。

## 给那个视频做字幕

MediaChef 0.8.7——免费、开源，macOS · Windows · Linux。

[下载 macOS 版 66 MB · Apple Silicon](https://github.com/Kom1sh/mediachef/releases/download/v0.8.7/MediaChef_0.8.7_aarch64.dmg) [Windows 82 MB · 64 位](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)

免费且开源—— [在 GitHub 上查看代码](https://github.com/Kom1sh/mediachef)  [全部文件与版本说明](https://github.com/Kom1sh/mediachef/releases/latest)

MediaChef 还很年轻：安装包尚未由 Apple 或 Microsoft 签名，因此首次启动会要求确认——每个下载包里都附有纯文本说明。

有问题，或者少了什么？给我们写信： [hello@mediachef.app](mailto:hello@mediachef.app)

接着读

-   [音频转文字——同一个引擎，只要文字](https://mediachef.app/zh/yinpin-zhuan-wenzi/)
-   [剪切视频——实测过，且无损](https://mediachef.app/zh/jianqie-shipin/)
-   [全部 19 道菜谱，按类别](https://mediachef.app/zh/caipu/)
