最新

AI 怎么把录音转成 SRT 字幕文件

录音转成文字不等于有了字幕,播放器要的是带时间码的 SRT。讲清导出入口、断句和格式怎么写,以及哪几个细节最容易让字幕整个不认。

录音转成文字之后,直接贴进视频是没法当字幕用的:没有时间轴,播放器不知道哪句话该在什么时候出来。SRT 是最通用的字幕格式,每条字幕自带起止时间码,播放器和剪辑软件基本都认。要做的事分两半:先把语音转成文字并切好句,再按格式导出。

入口在哪

  • 剪辑软件:剪映这类工具的识别字幕功能,识别完在字幕面板里找导出。
  • 在线转写工具:通义听悟、讯飞听见这一类,转写结果页通常有导出按钮,格式里能选 SRT。
  • 本地模型:Whisper 一类开源模型可以在自己电脑上跑,用命令行直接输出 srt 文件,长音频和对隐私敏感的内容更合适。
  • 入口名字各家不同,找不到就在工具里搜「导出」或「字幕」,别一层层翻菜单。

具体步骤

  1. 先整理音频。单声道、采样率 16kHz 以上、去掉开头结尾的大段静音,识别率会明显好一点。爆音和强底噪要先处理,转写工具修不了。
  2. 导入音频,语言选中文。中英混说的内容要确认工具支持混合识别,否则英文术语容易被硬翻成谐音。
  3. 转写完成后先看断句。多数工具按停顿切句,切得太碎会出现一条只有两三个字,太长会出现一条顶满整屏,这两种都要手动合并或拆分。
  4. 导出时选 SRT。只给 TXT 的工具也能用,自己按固定结构转:每条字幕四行,第一行序号,第二行起止时间,第三行文本,第四行留空。
  5. 时间码的写法是 时:分:秒,毫秒 --> 时:分:秒,毫秒。秒和毫秒之间用逗号,箭头两边各留一个空格,写成句点很多播放器会直接不认。
  6. 存成 UTF-8 编码,文件名尽量用英文和数字,避免个别播放器读不出路径。

几个坑

  • 逗号写成句点。这是最常见的一条,整份字幕加载失败,播放器只报格式错误。
  • 一条字幕太长。一行超过十六七个汉字就会自动折行,折在词中间很难看,按语义拆成两条更稳。
  • 时间码重叠。后一条的开始时间早于前一条的结束时间,播放时会闪一下或者直接跳过。
  • 存成了带 BOM 的 UTF-8。部分老播放器会在开头显示一个方块,用编辑器的无 BOM 选项另存一次即可。
  • 标点有了但没断句。转写工具自动加标点,不等于自动分条,一条字幕包住整段话是常事。
  • 时间码整体偏移。音频开头被剪过、或者先转码再转写,都会让字幕比声音早或晚,先用播放器的字幕延迟功能对齐再导出。

怎么验证

用播放器同时加载视频和字幕,从开头拖到结尾看一遍是最靠谱的。抽三处重点看:开头十秒、中间一段对话、结尾,确认字幕和口型对得上。再用文本编辑器打开 SRT,检查序号连续、时间码递增、没有空文本条目、箭头两侧空格都在。最后导进剪辑软件预览一次,看换行位置有没有把词切断。

常见问题

SRT 和 ASS 有什么区别

SRT 只有序号、时间码和文本,几乎所有播放器都支持,改起来也简单。ASS 多了样式、位置、特效,适合做带字体和描边的字幕效果,但兼容性差一些。日常给视频配字幕,SRT 够用。

一小时录音要转多久

看工具。在线工具通常几分钟出结果,本地小模型在普通笔记本上跑可能比录音时长还慢。长音频建议先切成十到二十分钟一段,出错时只重跑一段,不用整份重来。

转写出来的错字太多怎么办

先把专有名词整理成一张表,很多工具支持上传热词或术语表,识别率会明显上升。剩下的错字在导出前通读一遍改掉,改文本比事后改时间码省事得多。

一句话总结:录音转 SRT 分两步,先让工具把语音转成切好句的文字,再按序号、时间码、文本、空行四行一条的格式导出,时间码用逗号分隔,最后必须用播放器从头到尾对一遍。