那些字幕软件的中文识别,靠的其实是它

我用过好几个做视频字幕的软件，一直以为它们背后是各自的引擎。

后来翻文档才发现，其中的中文部分，底下都是同一个东西。

它叫 FunASR，是阿里通义实验室开源的语音识别工具包，GitHub 上 20k star。

有意思的地方在于，大部分人不需要直接打开它，但很多人一直在用它。

说几件事。

先把这个关系说明白，不然你会以为我推荐错了东西。

它是一个语音识别的工具包，不是给你拖文件用的软件。它的使用者是写程序的人，被它服务的是那些带界面的软件。

打个比方。你可能没打开过发动机盖，但你开的车里面有一台发动机。FunASR 就是那几个字幕软件机盖底下的那台。

所以直接去装它，对不写程序的人来说很不划算：你要处理的界面、要拖的文件、要导出的字幕，它都不管，它只负责把声音变成带时间的字。

那为什么还要写它。因为知道这一层关系，你能解释一件平时说不清的事：同样是本地字幕工具，为什么有的听中文准、有的听中文费劲。

这一期清单里的几个项目，就有一半跟它有关。

妙幕（SmartSub）内置了它的引擎，这是它能做到中文识别又准又不花钱的原因之一。卡卡字幕助手也是。还有那个视频翻译一条龙，你可以在它的引擎选项里找到这个名字。

它们的形态各不相同：一个是桌面软件，一个是字幕助手，一个是翻译流水线。但中文听写那一步，跑的是同一套东西。

这就是开源项目的常态。出一个底座，上面长出几十个产品，用户看到的是最上面那层，看不见底下的重复。

知道这件事有个实际好处。当你发现某个软件识别中文不准，换个引擎试试，可能比换软件更有效，因为界面换了，引擎未必换。

对国内用户来说，这是它最实际的一个优势。

本地语音工具最大的坑是模型下载，而模型默认的托管地多数在国外，国内经常会卡住。这一期清单里实测过，HuggingFace 在国内直接不通。

它的模型来源里有魔搭，地址是 modelscope.cn，这个是国内的站，实测通。

别小看这一条。一个工具再强，第一步下不来，后面全是零。能在国内顺利下到模型，本身就是个硬指标，尤其对刚上手的人。

中文识别这件事，标准普通话跟方言是两个难度。

市面上主流的本地语音模型，训练数据里中文占比有限，遇到粤语、四川话这类方言，识别结果会明显变差，有时候干脆给你转成发音接近的普通话词汇。

它是专门为中文场景做的，方言和口音覆盖是它宣传的重点。如果你手上正好有方言素材，它跟通用模型的差距在这种素材上最明显。

另外它的输出里带时间戳和标点，这两样对做字幕很要紧。没有时间戳的字幕只是一段文字，你还要自己把它切回画面上。

情绪识别这一类也在它的功能表里，不过实用性要看你的场景，我做字幕用不到这一项。

如果你还是想直接用它，有三条路，难度递增。

第一条是官方给的快速上手，装完之后五行代码出结果。前提是你知道 Python 是什么、知道怎么在命令行里装包。

第二条是它自带的网页界面。这一条要先把源码下载下来，再按文档装依赖。对非程序员来说，这一关比第一条还难过，因为你得理解文件夹结构和依赖这两个词。

第三条是把它部署成一个服务，让别人或者别的程序来调。这一条是给做产品的人准备的，不是给做内容的人。

所以我更想说的是：你可能不需要走这三条路。上面那些用它的软件，已经把界面、字幕导出、翻译配音都做好了，你要的功能它们都有。

有三种情况值得你跳过界面，直接找它。

一种是量特别大。几百小时的素材，图形界面一个个拖是折磨，写几行代码批量跑一次省事得多。

另一种是要接进你自己的流程里。比如你的素材进来之后要先转写、再自动分类、再送进下一个环节，中间不想有人工点按钮。

还有一种是你手上的素材是方言，换了好几个软件都不满意。这时候值得确认一下它们是用的哪个引擎，或者干脆自己拿它跑一遍对比。

说到底，选软件还是选引擎，取决于你要的是省事还是可控。大多数人要的是省事，那就用现成的界面。

我把那段四川话的素材又拿出来跑了一遍。

这次换了个引擎，屏幕上的字从大半看不懂，变成只有几个词要改。

软件还是那个软件，图标和按钮都没变。

改掉的只是设置里一个下拉框的选项。

这里是「AI干货仓库」，一个还在跟排版较劲的地方。