做视频、看生肉、整理会议录音，都绕不开字幕。2024 年 AI 字幕已经好用到"无脑"的程度，流程我直接给结论。
工具选择#
剪映：中文识别最强，免费，自动断句、卡点都顺手。做中文视频闭眼选它。
Whisper（本地）：OpenAI 开源的语音识别，准确率高、支持多语言、免费。配个图形前端（如 Buzz），本地跑不花钱，隐私还好。缺点是要点动手能力。
飞书妙记 / 通义听悟：会议录音转文字的神器，实时出稿，还能 AI 总结要点。上班族直接选。
YouTube 自动字幕：看外语视频先开自动字幕+自动翻译，够用。
标准流程（以剪映为例）#
- 视频拖进剪映，点"文本"→“识别字幕”→“开始识别”。
- 检查一遍：人名、术语、数字最容易错，批量改。
- 调样式：字号、描边、位置，统一模板以后直接套。
- 双语字幕：再跑一遍翻译，中文视频配英文字幕就是这么来的。
老司机的经验#
- 音质决定一切：识别率 90% 和 98% 的差距，全在录音质量。领夹麦几十块，回报巨大。
- 术语表：专业内容先给 AI 一份术语表（人名、地名、专有名词），后期校对省一半时间。
- 长视频分段：2 小时以上的录音切成 20 分钟一段再识别，崩了也只重跑一段。
- 别迷信全自动：AI 字幕之后必须人工过一遍，尤其是要发布的视频，错字幕比没字幕更丢人。
进阶：字幕还能干嘛#
字幕文件（srt）喂给 Claude 或 DeepSeek，一小时的访谈 10 秒出摘要。视频→字幕→AI 总结，这条链路打通，信息处理效率翻倍。AI 生成内容记得按平台要求标注。
Whisper 本地部署详解#
不想用剪映、想要完全免费+隐私，Whisper 是答案。
- 装 Buzz：Whisper 的图形前端，GitHub 免费下载，Win / Mac 都有。
- 下模型：small 模型够用（几百 M），medium 更准（几个 G），large 除非有显卡否则别碰。
- 拖音频进去：mp3、wav、m4a 都行，视频也可以（自动提音频）。
- 选语言：中文选 zh，英文选 en，自动检测也行但慢。
- 导出 srt：识别完导出，拿去剪映或 Arctime 对时间轴。
准确率：普通话标准录音 95%+，方言、口音重的 80% 左右，照样比手打快 10 倍。
双语字幕怎么做#
- 先识别出中文 srt。
- 用 AI 翻译（Claude / GPT）翻成英文，注意保持时间轴对应。
- Arctime 或剪映里把中英两行合并，调样式。
- 检查：英文长了会超出画面，手动断行。
B 站、YouTube 的双语视频就是这么来的，熟练了 10 分钟视频半小时搞定。
直播字幕#
直播没法后期，实时字幕得用流式方案：飞书妙记、腾讯会议自带的字幕，或者 OBS + 实时字幕插件。准确率比后期低一档，但直播场景够用。带货直播、线上课都用得上。
字幕的隐藏价值#
- SEO：视频网站的字幕能被搜索，B 站投稿带字幕，搜索流量多一截。
- 可访问性：听障观众、静音刷手机的人，都靠字幕。
- 二创：字幕文件是二创的原材料，剪辑、翻译、总结都从它开始。
2024 年了，做视频不带字幕，就像写文章不分段——不是不能看，是没人愿意看。
不同场景的工具选择#
| 场景 | 推荐工具 | 理由 |
|---|---|---|
| 中文短视频 | 剪映 | 识别最准，免费，模板多 |
| 英文视频 | Whisper / YouTube | 英文识别率高 |
| 会议录音 | 飞书妙记 / 通义听悟 | 实时+总结一条龙 |
| 隐私敏感 | Whisper 本地 | 数据不出内网 |
| 直播 | OBS 实时字幕插件 | 流式输出 |
字幕样式指南#
字幕不只是"有"，还要"好看"：
- 字号：手机端 36–42px，太大挡画面，太小看不清。
- 描边/阴影：必须有，白色字+黑色描边是万能公式。
- 位置：底部居中，别挡人物脸和关键信息。
- 断句：一句一行，别把长句挤在一行，也别断在奇怪的地方。
- 双语：中文在上、英文在下，字号英文小一号。
批量处理#
视频多了，一个个点识别太慢：
- 剪映批量：草稿箱多选，一起识别（版本不同功能有差异）。
- Whisper 脚本：写个 for 循环，文件夹里的音频全跑一遍，睡一觉起来全好了。
- API：量大的走 Whisper API 或阿里云语音识别，按量付费，比人工便宜 90%。
字幕文件格式#
- srt：最通用，B 站、YouTube 都认。
- ass：支持样式（颜色、位置、特效），压制党用。
- vtt：网页播放器用，YouTube 上传这个。
- txt：只要文字不要时间轴，给 AI 总结用。
格式转换用 Subtitle Edit（免费），拖进去转，秒搞定。
字幕校对清单#
AI 识别完，必须人工过一遍，重点看：
- 人名、地名、专有名词
- 数字：时间、金额、百分比，最容易错
- 同音字：的/地/得、在/再，AI 重灾区
- 断句：别断在奇怪的地方
- 时间轴：对不上画面的，手动调
效率技巧#
- 1.5 倍速校对：听一遍比看一遍快，耳朵比眼睛准。
- 找人分工：长视频分段，多人并行校对。
- 建术语库：系列视频的术语统一，越做越快。
- 模板化：字幕样式存模板，新视频一套用。
一句话#
2024 年，AI 字幕已经从"能用"变成"好用"。工具选对、流程跑顺，字幕这件事，从负担变成顺手。剩下的时间，去打磨内容本身——那才是观众真正关心的。
字幕的未来#
- 实时翻译字幕：说话的同时出翻译，跨语言直播成为可能。
- 情感字幕：根据语气自动加标点、调样式，字幕也有情绪。
- 无字幕时代：AI 直接理解视频内容，字幕可能只是中间产物。
但 2024 年，字幕还是刚需。先把现在的工具用好，未来来了，自然接得住。
插图来源：Storyset