我做了一个不联网的 AI 字幕工具

给视频加字幕这件事，体验一直很别扭。

剪映可以自动识别，但得把视频传到云端；一些在线工具更快，可惜免费额度只够你试两条视频；想用 Whisper 在自己电脑上跑，得先装 Python、配环境，显卡还得过得去。

更微妙的是隐私。我用这类工具处理过自己还没发布的素材，也处理过朋友的采访录像。每次点「上传」，心里都会咯噔一下：这几百 MB 的视频，会躺在谁的服务器上，待多久？

所以我做了 SubLocal。一句话说清楚：语音识别和字幕翻译全部在手机上完成，不联网，不上传，素材从头到尾不出设备。

这篇文章不讲技术细节，就说说它怎么用、能干什么、哪些地方不行。

它是怎么工作的

选一个视频或音频文件，App 在本地把音频解码出来，交给离线识别模型，生成带时间轴的字幕。需要翻译的话，本地跑的 Gemma 4 会把整篇字幕翻成你要的语言。最后导出 SRT 或 ASS，原文、译文、双语三种格式随选。

第一次用要先下模型，几百 MB 到两三个 GB，看你选什么语言。这一步得等，但值得等——下完之后，断网、飞行模式，照样出字幕。之后就再也没有任何需要网络的地方了。

模型这块多说两句。识别用的是 SenseVoice 和 Parakeet，都是开源社区里口碑很好的模型：SenseVoice 出自阿里达摩院，中英日韩粤语都行，中文标点恢复做得不错，识别 10 秒语音只要几十毫秒；英文走 NVIDIA 的 Parakeet，准确率可靠。翻译用的是 Google 的 Gemma 4，按手机内存自动选大小档。

有人会问：手机跑大模型，不卡吗？说实话，取决于你的手机。近几年的机型基本都在可接受的范围，更老的可能就要多点耐心了。这一点我不想吹。

我拿它干什么

剪辑前出稿。vlog、访谈录完，先跑一遍字幕，导出 SRT 直接拖进剪映或 PR，省掉逐句听打的晚上。

生肉变熟肉。导双语字幕，原文译文各一行，看外语视频顺畅很多。

录音变文字稿。采访、上课的录音，扔进去就是可检索的文本，找某句话特别快。

还有一个不算功能的用法：App 里可以边播放边看字幕，字幕跟着语音走，哪句识别得不好，一眼就能看出来。

几点实话

一，首次下载模型需要流量和时间，用 WiFi 下。

二，识别不是百分之百准。专有名词、口音重的地方会出错，所以我在 App 里做了同步高亮，方便你边听边校对。

三，它没有账号体系，没有服务器，也没有额度。所有字幕和记录都存在你手机本地。

这种工具做起来其实不讨巧——没法按分钟收费，也没法讲「云端 AI」的故事。但有些素材就是不该离开你的手机，比如还没发的片子、朋友的访谈、家人的聚会。

SubLocal 现在支持 12 种语言，Android 和 iOS 都有。

如果你也有不想传到云端的素材，可以试试。