（9123期）Video Captions – AI 视频字幕生成与烧录工具

AI 视频字幕生成与烧录工具 本地 AI 视频字幕生成工具，支持多引擎转录、逐词时间轴、专业样式预设与硬字幕烧录，全程离线保护隐私 使用说明 核心用法 Video Captions 是一款专业的视频字幕生成技能，围绕 Whisper 本地转录引擎构建，提供从语音转文字到成品字幕的完整工作流。用户上传视频后，系统自动完成语音转录、时间轴对齐、格式转换与样式渲染，支持 SRT、VTT、TTML、ASS 等主流格式。 关键特性包括： 多引擎转录：默认使用本地 Whisper（turbo 模型），可选 Apple Silicon 加速版（MLX Whisper）或逐词时间戳版（whisper-timestamped），云引擎（AssemblyAI、Deepgram）仅作为可选备选 专业时间轴标准：内置 Netflix 合规规则（最少 0.83 秒、最多 7 秒、每行 42 字符、最多 2 行、字幕间隔 ≥2 帧），同时支持社交媒体短句分割风格 智能分段规则：按标点、连词、介词断行，避免割裂语义单元（如冠词-名词、形容词-名词、姓名、主谓结构） 逐词时间戳：支持卡拉 OK 式高亮、精准同步校验、TikTok/Instagram 动态字幕 说话人识别：本地 diarization（pyannote）或云 API，输出 [Speaker 1] 或 [Name]: 格式 样式与烧录：通过 ffmpeg 强制样式（FontName、Size、Color、Outline、Shadow、Alignment），支持 TikTok 居中粗体、Netflix 底部简洁等专业预设 显著优点 隐私优先设计：默认 100% 离线处理，Whisper 本地运行，字幕文件与烧录视频均不离开本机，无需网络连接 多平台适配：一键输出 YouTube（VTT）、Netflix（TTML）、社交媒体（ASS 烧录）、通用播放（SRT）等格式 专业级质量控制：内置 Netflix timing rules、字符限制校验、同步点检查（起/中/尾）、烧录质量测试 灵活工作流：从基础转录到翻译（--task translate）、多格式批量输出、VAD 预处理降噪，覆盖完整生产链路 云引擎完全可选：AssemblyAI、Deepgram 仅在用户主动配置 API Key 并显式调用时才会触发，无默认外联 潜在缺点与局限性 本地硬件依赖：Whisper large-v3 对 GPU/内存要求较高，低配设备转录长视频可能耗时较长 复杂 diarization 精度：本地说话人分离在重叠语音、快速切换场景下准确率有限，专业级需求可能仍需人工校对 样式烧录学习成本：ffmpeg force_style 参数语法（如 &HFFFFFF 颜色编码）对非技术用户不够直观 语言检测偶发偏差：多语言混合内容可能出现误识别，需显式指定 --language 长视频时间漂移：极端时长内容建议启用逐词时间戳并人工抽检同步 适合人群 内容创作者（YouTube、TikTok、Instagram）需快速生成可上传或烧录字幕 影视后期、流媒体制作人员需 Netflix/专业级合规字幕 播客与访谈制作团队需说话人标注与 SDH（听障辅助）格式 隐私敏感用户（企业培训、内部会议）需完全离线转录方案 翻译与本地化工作者需原语转录+英译或外接翻译流程 常规风险 | 风险场景 | 缓解措施 ||---------|---------|| 静默幻觉（无声段出现虚假字幕） | 启用 VAD 预处理或修剪静音段落 || 语言识别错误 | 显式指定 --language 参数 || 长视频时间漂移 | 使用逐词时间戳 + 人工抽检关键同步点 || 字符超限导致平台拒收 | 设置 --maxlinewidth 42 并启用自动换行规则 || 烧录画质损失 | 指定高码率输出（-b:v 8M） || 云 API 误触发 | 不设置 ASSEMBLYAIAPIKEY/DEEPGRAMAPIKEY 即保持完全离线 | 原始说明 Generate professional captions and subtitles with multi-engine transcription, word-level timing, styling presets, and burn-in.