AI 字幕生成
音频视频转字幕 SRT
在线工具箱 / AI 工具
AI 字幕生成：把音频或视频里的说话内容转成文字，带时间轴的可以直接导出 SRT 字幕文件。走的是 OpenAI 兼容的 /audio/transcriptions 接口（Whisper 那一套），OpenAI、硅基流动等都能用，需要你自己在「我的 API 配置」里填密钥。识别结果可以直接在页面上改错别字，改完再下载。
先解决 25MB 这个坎
单个文件不能超过 25MB —— 主流语音识别接口的上限就是这个数，25MB 对音频能装 25 分钟（128kbps）到 100 分钟（语音常用参数），但对视频只够十几秒。所以做视频字幕一定要先抽音轨：用「音频提取」在本机把声音导成 mp3 或 m4a，体积能小一个数量级，导完在那一页点「拿去做字幕」直接送过来，音频不用再上传一次。
怎么用
- 选文件（音频视频都行），超过 25MB 会直接提示，不会让你白等。
- 选语言：自动识别、中文、英语、日语、韩语，可选的还有「提示」一栏 —— 把人名、专业词、口音写进去（比如「涉及『量子退火』，人名是『李默』」），专有名词会准很多。
- 选输出格式：「带时间轴字幕（SRT）」或「纯文本」。
- 点「开始识别」。长音频要等一会儿，页面会一直跑，别刷新。
准确率和 SRT 的来源
- SRT 怎么来的
- 优先用上游返回的 segments 自己拼时间轴，这样更可控；如果上游只给纯文本，就请选「纯文本」，再手动断句。
- 主要误差来源
- 环境噪音、方言、多人抢话。经验上录音时离麦近一点，比换模型管用得多。
- 识别错了怎么办
- 结果区就是一个可编辑的文本框，直接改，改完再复制或下载，不需要重新识别一遍。
- 对结果负责
- 识别可能出错，涉及数字、人名、医疗和法律内容请人工核对后再发布。
同类工具