做视频还在手动敲字幕?这个开源 AI 工具,能识别、翻译,还能直接合成字幕

GitHub AI 宝藏项目｜第 007 期 · 卡卡字幕助手 VideoCaptioner

好不容易录完一段产品介绍视频，准备发布时才发现：字幕还没做。

一句一句听、一段一段敲，再调时间轴、改错别字……五分钟的视频，字幕也可能折腾很久。

今天分享一个 GitHub 上的开源工具：卡卡字幕助手（VideoCaptioner）。

它能把视频中的人声识别为字幕，支持断句、翻译、预览编辑，还可以把字幕合成回视频。

对经常做短视频、培训课件、产品演示的职场人来说，它值得放进工具收藏夹。

先说明：本文依据官方仓库和文档整理，不是作者亲自完成的效果实测。截图为项目官方 Wiki 中的历史界面，具体操作以当前安装版本为准。

图 1｜卡卡字幕助手的任务创建界面示意。来源：项目官方 GitHub Wiki；为历史版本截图。

01｜它能做什么？不只是“录音变文字”

上一期我们聊过录音转文字。

VideoCaptioner 的重点更偏向视频字幕制作的完整流程：从识别讲话，到处理字幕，再到得到带字幕的视频。

它最值得关注的四项能力是：

• 自动识别：从音视频提取语音，生成带时间信息的字幕。
• 字幕整理：按语义断句、纠正部分识别错误；更高级的 AI 优化可能需要配置大模型 API。
• 字幕翻译：可以尝试将原字幕翻译成其他语言，适合双语视频。
• 视频合成：调整字体、大小、样式，把字幕叠加到视频画面中。

例如，一段自己录制的普通话产品讲解，先做中文字幕，再检查专业术语，最后导出带字幕的视频。

整个流程不需要你逐字手敲。

02｜最适合哪三类人？

第一类：做公众号视频、视频号和短视频的运营人。

自己录制讲解视频，想快速加上中文字幕，方便读者在静音环境下观看。

你可以先生成字幕草稿，再进行人工校对。

第二类：做产品培训、内部课程的职场人。

制作软件操作讲解、产品培训视频时，字幕能让同事更容易跟上步骤。如果出现人名、型号、数字，一定要再核对。

第三类：需要双语字幕的内容创作者。

对于自有版权或已取得授权的视频，可以先识别原语言，再翻译成另一种语言。

双语字幕尤其需要检查专业术语和语境，避免出现看似流畅、实际错误的翻译。

图 2｜官方 Wiki 展示的字幕样式和语音识别设置。为历史版本界面，并非本文实测。

03｜不会编程，如何做第一条字幕视频？

如果你用的是 Windows 10/11 电脑，建议优先从官方提供的安装包入手。

macOS 和 Linux 的官方说明主要涉及安装脚本、Python 等依赖，对完全不懂技术的新手不如 Windows 友好。

第一步：打开官方发布页。

https://github.com/WEIFENG2333/VideoCaptioner/releases

在 Releases 中选择适合 Windows 系统的正式安装包。

不要误下载源代码压缩包，也不要为了省事安装来历不明的第三方版本。

第二步：准备一段自己的练习视频。

建议用 30 秒到 2 分钟、声音清晰、没有敏感内容的视频。

第一次不建议导入客户会议、公司保密培训等材料。

第三步：选择“语音转录”。

打开程序，选择音视频文件。

中文视频可以将识别语言设为中文；选择免费在线识别或本地模型时，要留意网络和隐私区别。

使用本地 Whisper 模型可能需要先下载较大的模型文件。

第四步：生成字幕后逐句检查。

先检查人名、品牌名、数字、时间和英文缩写，再查看字幕有没有过长、断句是否自然、是否和画面同步。

第五步：合成字幕视频。

进入字幕视频合成功能，选择字幕样式和输出方式。

想在普通播放器中直接看到字幕，可以根据需要选择硬字幕；如果希望字幕可以开关，需要确认播放器对软字幕的支持情况。

最终建议保留原视频、字幕文件和生成后的视频，方便后续修改。

官方图文入门文档：

https://www.videocaptioner.cn/guide/getting-started

图 3｜官方 Wiki 展示的字幕编辑、任务列表界面。图片为旧版示意，当前版本可能不同。

04｜字幕翻译、智能纠错，是否完全免费？

需要分开看。

基础功能：

当前 GitHub 项目说明中列出了无需自行填写 API Key 的免费识别和必应、谷歌翻译等路径。

但这类在线服务的可用性和限制可能变化，不能保证永久稳定或无限使用。

更高级的 AI 功能：

利用大语言模型优化字幕表达、语义断句和翻译时，通常需要配置对应的模型服务；使用付费 API 可能产生费用。

本地模式：

选择本地 Whisper 类识别引擎，需要下载模型，处理速度与电脑性能有关。

它与免费在线识别不是同一种隐私方式。

所以，“工具开源免费”不等于“所有 AI 接口长期无限免费”。

最好先用一条短视频测试，再决定要不要配置更高级的功能。

05｜使用前，注意这四个问题

① 自动生成的字幕必须校对。

噪声、方言、多人同时讲话都会影响结果。

特别是人名、产品价格、电话号码、合同条款，不能只相信 AI。

② 线上识别可能传输声音数据。

如果选择在线语音识别或云端翻译，媒体内容、语音或字幕文本可能发送给相应服务商。

涉及机密、客户隐私时，应先确认单位规定和服务政策。

③ 外部视频不能想下载就下载。

即使工具支持输入视频链接，也应该只处理自己有权使用的内容，遵守平台条款及版权要求。

④ 官网与 GitHub 的旧资料可能不一致。

当前 GitHub 仓库的 LICENSE 标示为 GPL-3.0，而部分较旧网站页面仍写着 MIT。

实际使用、修改或再分发时，应以你下载版本所附许可证和仓库的最新说明为准。

06｜和普通录音转文字工具有什么区别？

如果你的目标只是把一段会议录音变成逐字稿，上一期介绍的 Buzz 这类工具已经值得考虑。

但如果你想最终交付的是一条带字幕的视频，还需要调整字幕样式、处理时间轴或制作双语字幕，那么 VideoCaptioner 更贴近这个任务。

挑工具时，不要只看“AI 功能多不多”，而要看你最后要交付的是什么。

最后说两句

对于运营、培训和视频创作来说，做字幕并不是最有创造力的工作，却经常占去不少时间。

卡卡字幕助手的价值，就是尝试把“识别、修字幕、翻译、合成”集中到一个流程里，让你把更多时间用在内容本身。

你做视频时更头疼哪一步：听写字幕、校对时间轴，还是翻译双语字幕？

欢迎在评论区聊聊。