Avoxkit · 字幕 · 本地语音识别

字幕生成,
不出这台电脑。

视频里已有内嵌字幕轨,直接导出 SRT;没有文本轨,就在本机跑语音识别生成。文件不上传,不排队,也不收会员。

  • 中 / 英 / 日 / 韩 / 粤
  • 识别模型约 230 MB,按需下载
  • 免费 · 本地
Avoxkit 的提取字幕页:已载入影片,选择内嵌的 English SRT 字幕轨导出

Two paths

有轨用轨,没轨识别

Avoxkit 的字幕功能有两条路,按素材里有没有现成的文本轨自动选择。

提取内嵌字幕

大多数片源带内嵌文本字幕轨。选「提取字幕」,直接得到一条 SRT,内容就是轨里的原文,几秒出结果,全程不联网。

SRT · 不联网 · 原文直出

语音识别生成

没有文本轨的素材——手机录像、录屏、口述录音——走本地语音识别,中、英、日、韩、粤。识别在本机完成,首次使用时下载识别模型(约 230 MB,带 SHA-256 校验),之后离线可用。

SenseVoice · 单文件与文件夹批量

Batch

一季视频,一次排队

整个文件夹拖进来,统一排队、统一进度,失败项一键重试。跑批时能看到正在处理的画面与音频包络,识别到哪一段一眼可见。

先写临时文件,全部成功后才替换最终文件。

Avoxkit 的任务队列页:转码任务进行中,已完成任务显示输出路径

Limits

先说清楚的几条边界

识别不是逐字稿。专有名词、同音字可能出错,对外发布的字幕建议过一遍人工校对。

识别耗时按机器算。长视频在本机跑需要时间,速度取决于 CPU 与内存,不是云端那种几分钟出片。

准确率视音质而定。口音、背景噪声、多说话人都会影响结果;普通话与英语最稳。

模型按需下载。约 230 MB,只下模型文件,不读你的媒体文件,不用不下载。

Get

三步出字幕

当前版本 0.2.0,Windows 64 位与 macOS(Apple Silicon),完全免费。

  1. 打开视频文件或整个文件夹。
  2. 选「提取字幕」:有文本轨直接导出,没有就走本地识别。
  3. 拿到 SRT,直接用。

下载:GitHub Releases,或看Avoxkit 主页。

顺手的伙伴工具

语音识别用 sherpa-onnx(SenseVoice),模型按需下载、离线运行;媒体处理由开源引擎 avox 完成。Avoxkit 以 AGPL 开源,源码在 GitHub。

常见问题

要上传视频吗?

不会。字幕提取与语音识别都在本机完成,应用没有遥测或自动上传逻辑,也不需要账号。

支持哪些语言?

语音识别支持中、英、日、韩、粤。内嵌字幕轨的提取与语言无关,轨里是什么就导出什么。

识别一条一小时的视频要多久?

取决于机器配置,普通家用电脑通常几分钟量级;批量时在队列里排队自动跑。

输出的字幕还能再加工吗?

输出标准 SRT,任何文本编辑器都能改。要转 ASS/VTT 或整体调时间轴,用影音工具箱里的免费小工具即可。