目录
AI 能转写视频、音频，并起草带显示时间的字幕文件（SRT/VTT）。不过， 自动生成完成，不等于字幕已达到可发布状态。 评估工作量时，应包含语音识别、时间轴、换行和翻译的核查时间。
先确定所需输出，以及材料是否允许外传，再选择合适工具。 本文介绍字幕与完整转写、工具对比、四步流程、校对、多语言字幕及数据处理。会议决策和待办提取请参阅 会议纪要指南；图片文字提取请参阅 OCR 指南。
从音频到带时间码的文本
生成草稿后，对照音频和视频核查
语音识别
你好，今天的话题是……
用 AI 制作字幕。
AI 不仅能识别语音，还能 起草发言文本及显示时间。说话人区分是否支持，因工具而异。
官方文档核查日期：2026 年 10 月 8 日。本文介绍产品规格与核查步骤，并未使用同一材料实测准确率或处理时间。
1. AI 能自动完成字幕与转写的哪些环节？
AI 字幕制作涉及 四个不同环节。委托哪些环节，决定所需工具。
- ① 提取音频：从视频提取音频（不少工具会自动处理）。
- ② 转写：语音识别 AI 生成完整发言文本。另行确认工具是否支持 说话人区分，以区分发言者。
- ③ 添加字幕时间码：将文本分段，标记显示起止时间，生成以下格式的字幕文件，例如 SRT/VTT。
- ④ 翻译与样式：翻译为其他语言，调整字体、位置及换行。
自动化范围因产品、方案而异。能转写不代表也能导出字幕、区分说话人、翻译或将字幕压入视频。应测试 能否实际得到所需输出，使用获准使用的短样本。
2. 字幕（SRT/VTT）与转写文本
开始前先区分两种容易混淆的输出。两者都用语音识别，但目的不同。
字幕（SRT / VTT）
带时间码的文件，规定各段文本何时显示，叠加在视频上。
- 用途：在视频中显示文本
- SRT 记录显示时间与字幕文本（ YouTube支持；需核查目标平台要求）。
- VTT 用于网页，包括 HTML5 视频。
转写文本
不依赖字幕显示时间的完整文本，用于阅读、搜索或摘要。
- 用途：文章、纪要、搜索和摘要的素材
- 说话人区分可补充谁说了什么
- 输出：TXT、DOCX、Markdown 等格式
视频字幕选择 SRT/VTT 或目标平台支持的其他格式；阅读、搜索、摘要则选择完整转写。 分别核查导出格式和付费方案要求。YouTube 支持基础 SRT，但不识别其样式信息，要求纯 UTF-8 文本。转换字幕文件不一定保留样式。
3. 主要工具对比
只转写、需要字幕文件，还是还要剪辑视频：按所需输出选择。以下三项的公开规格已核查，不以不同测试条件下的准确率作性能排名。
| 选项 | 工作方式 | 需核查的限制 |
|---|---|---|
| Whisper | 在自己的运行环境中转写，可输出 SRT/VTT/TXT 等格式。 | 软件采用 MIT 许可，但仍需设备、计算资源及环境配置，整套流程不一定零成本。 |
| Notta | 根据会议和导入文件生成转写。 | 免费方案每月 120 分钟，每次对话最多三分钟。价目页将转写导出列为 Pro 及以上方案功能。 |
| YouTube 自动字幕 | 为上传至 YouTube 的视频生成字幕，在 Studio 中核查。 | 生成可能耗时，也可能因音质、语言等因素失败，并非本地处理。 |
材料不能外传时，应让转写至字幕导出全部留在获准运行环境。YouTube 内容可考虑自动字幕，但不保证上传后立即完成。长录音完整文本导出需核查免费方案的单次对话及导出限制。
4. 四步字幕制作流程
准备材料、转写、校对、导出。处理时间随长度、音质及环境变化，校对还需额外时间。本文不提供“每段视频五分钟”之类通用估计。
校对除误识别词语，还需检查否定、数字、单位、说话人和遗漏发言。 时间正确但内容错误的字幕，与内容正确但观众读不清的字幕，需要不同修正。 若需大量修正，也应重新考虑输入音频和工具选择。
5. 按用途选择
| 用途 | 核查项目 |
|---|---|
| YouTube 视频 | 字幕是否已生成、内容如何，以及接受哪些字幕导入格式。 |
| 讲座与播客 | 录音长度是否符合单次对话限制，完整转写能否导出。 |
| 多人访谈 | 是否支持说话人区分，能否纠正说话人与姓名对应关系。 |
| 机密材料 | 音频、字幕和翻译各阶段的处理去向及存储位置。 |
| 多语言字幕 | 能否核查翻译段落、时间码和显示时长。 |
试用使用获准分享或虚构内容。未考虑数据处理条款前，不要将机密材料上传免费服务。综合比较输出、纠错便利性、价格与数据处理。
6. 提高准确性的六个建议
发布前核查的三类错误示例
内容错误
录音说“15 美元”，字幕写“50 美元”。文本流畅也可能偏离音频。纠正金额、日期、否定时，应听前后发言。
时间轴错误
文字正确，却在下一位说话人开口后才显示，可能导致发言归属错误。播放视频时调整起止时间。
显示问题
长字幕消失太快、遮挡重要图表，或手机上读不清。仅校对转写发现不了这些问题，必须带字幕播放视频。
试用时对同一材料分别记录自动处理等待、内容纠错、显示调整及最终核查时间。明确工作发生在哪，可帮助判断应修改词典、语言设置，还是选编辑功能更好的工具。
翻译后重复这些检查。正确原字幕也可能丢失否定，或变长而无法在显示时间内读完。对比段落数量、时间码，再核查目标语言含义与可读性。
输入和准备会影响结果，但本文未实测这份清单是否适用于每段录音的最佳顺序。针对实际错误选择措施，并在同一材料上测试改进。
① 让发言易于听清
拉近麦克风，减少噪声和回声。原音中连人也听不清的片段，应查其他记录或询问说话人。
② 设置正确语言
可设置语言时，核查录音语言。混合语言材料在更改设置后，检查两种语言是否均识别正确。
③ 准备专有名词列表
预先列出公司名、人名和术语。工具支持词典时，尝试登记并核查输出。
④ 用查找替换纠正重复错误
对常见识别错误使用查找替换。建立个人纠错列表，可加快重复修正。
⑤ 使用说话人区分
工具支持时，为多人录音启用该功能。先听录音确认“说话人 1”是谁，再替换为真实姓名。
⑥ 调整行长
字幕行应足够短，并加入换行。过长字幕难以在画面中舒适阅读。
YouTube 官方帮助将噪声、重叠发言列为自动字幕可能无法生成的原因。清晰音频也可能被误识别。 Whisper 官方模型卡 也说明可能生成音频中不存在的文字，且不同语言表现不同。应检查 是否为根本没听到的发言添加了看似合理的文本。
7. 制作多语言字幕
多语言字幕有助于视频触达全球观众。与其盲目分别转写到每种语言，不如采用 更便于核查的流程。
🌍 多语言字幕核查
先校对原语言字幕，可减少错误传入翻译，但翻译仍可能改变含义或时间轴。应再次核查 段落数量、顺序、起止时间、含义，以及长度与显示时长是否匹配。专业或商业内容应由同时懂语言与主题的人审核。
8. 注意事项：过度依赖、版权与隐私
使用自动字幕时，分别检查内容错误、材料使用许可、数据去向和显示时间。
- 过度依赖准确性：清晰音频也无法完美识别（YouTube 自身 要求核查自动字幕）。也需检查专有名词、术语和同音词。 字幕发布前必须人工核查。
- 对照音频：噪声、重叠发言等因素可能造成错误。按材料核对术语，支持时尝试词典。
- 版权与许可：用 AI 转写、再传播他人视频、音乐、节目可能侵权。核查是否持有权利，或是否属于允许引用范围。
- 机密与个人信息：上传音频到云 AI 就是对外发送。机密或私密材料应使用组织批准的方案。将本地生成字幕交给云服务翻译，内容仍会外传。不用于训练的协议不能替代对传输、存储及访问条件的检查。
- 时间码偏移：自动字幕时间可能有误。除开头、中间、结尾，也检查说话人切换及长静音前后。
准确字幕若分享给错误受众，也会泄露机密。内容核查应与权限、分享范围分开。纠正姓名、完整观看不保证一切安全。
总结
AI 可以起草字幕和转写。核查输出格式、使用限制和数据流，再完成校对。本文未实测节省时间比例，也未测量准确性中由音质决定的占比。
- 选择输出： 字幕需要显示时间；转写提供可阅读、搜索的内容。
- 核查限制： 月额度、单次对话长度、导出格式和额外费用。
- 发布前核查： 对照音视频检查发言内容、时间轴、换行和显示时长。
- 重新核查翻译： 原文校对不能保证译文含义或时间轴正确。
- 追踪每个数据去向： 本地转写后再用云端翻译、摘要，内容仍会外传。
判断实际价值时，应记录准备、校对、导出和字幕导入视频的工作，而不仅是 AI 处理时间。不将一段录音的结果推广至其他语言或录制条件。
将保存音频附加到 ChatGPT 转写，请参阅 ChatGPT 音频上传、格式、价格与限制指南。区分仅含音频的 MP4/WebM 与视频，并对照原录音检查字幕时间和内容。
常见问题
问：可以免费试用字幕或转写吗？
答：可考虑 YouTube 自动字幕、Notta 免费方案和本地 Whisper。Notta 每月 120 分钟，每次对话最多三分钟；导出需 Pro 或以上。Whisper 采用 MIT 许可，但设备、计算资源仍有各自成本。
问：一小时视频能在几分钟内完成吗？
答：没有通用、保证完成的时间。自动处理等待与发言、时间轴、换行、翻译的纠错是不同工作。YouTube 也说明上传时字幕可能尚未完成。
问：AI 字幕有多准确？
答：本文未用同一音频对比工具。语言、录音、模型、错误定义不同的准确率不能直接排名。应以接近实际用途的材料对比纠错工作和审核时间。
问：该导出 SRT 还是 VTT？
答：选择目标平台支持的格式。YouTube 接受基础 SRT，要求纯 UTF-8 文本，不识别 SRT 中的样式信息。确认除文字与时间外，是否还需保留样式。
问：能区分多位说话人吗？
答：可考虑支持说话人区分的工具，但自动标签不能证明真实人物识别正确。重叠发言也需听录音。仅转写不一定包含说话人区分。
问：如何制作多语言字幕？
答：翻译前先校对原语言字幕，之后重新检查段落数量、顺序、时间轴、含义及显示时长。要求不改时间码，不代表能保证保留。
问：能转写并复用他人视频吗？
答：技术上能转写，与获准复用、传播是两回事。需核查材料条款、权利人许可及适用规则。本文不判定某个具体用途是否合法。
问：本地 Whisper 能保护机密信息吗？
答：音频可在自己的环境处理，但仍需管理设备和保存文件的访问。之后将字幕交给云服务翻译、摘要，内容仍会外传。检查从音频到最终字幕的全部环节。
