先给结论:视频怎么加字幕,本质是三个技术决策点的组合——识别用云端还是本地 Whisper、字幕用外挂 srt 还是硬字幕烧录、模型选多大档位。选对了,自动生成字幕又快又准且可维护;选错了,要么反复返工,要么隐私和成本失控。这篇不罗列原理,而是按每一步该怎么选来拆,给你一份可以照着做决定的选型参考。视频加字幕现在有三条路:手动逐句敲、语音识别(ASR)自动生成、导入现成的 .srt 文件。手动最准但最慢,适合几十秒的短片;导入 srt 适合你已经有文稿的场景;真正要规模化处理的,答案几乎都是自动生成字幕,也就是本文重点。下面逐个决策点来。识别引擎怎么选:云端 ASR 还是本地 Whisper?判断标准很简单——看内容敏不敏感、量大不大、要不要离线。语音识别字幕的原理是 ASR(自动语音识别)把音频转成文字,并把每句话对齐到时间轴上。实现它有两条技术路线,取舍差别很大:云端 ASR:要把音视频上传到服务器再回传结果。优点是本机零算力、开箱即用;代价是内容离开了本地,涉及未公开课程、内部会议、客户素材时有合规风险,量大了还要按时长计费,断网就用不了。本地 Whisper:基于开源的 whisper 模型在自己机器上离线跑,音视频不上传,更保护隐私,也没有按量付费。代价是吃本机算力,第一次要下载模型。选型建议:内容不敏感、偶尔用一次,云端够用;要批量处理、素材涉密、或需要断网也能干活,直接上本地 whisper 字幕。对做录屏、讲课、企业培训的人来说,本地方案几乎是默认选项。Whisper 模型选多大档?tiny 到 large 怎么权衡?先说结论:中文口播优先从 medium 试起,机器弱就退到 small,追求极限准确率再上 large。whisper 本地部署时模型分 tiny、base、small、medium、large 多个档位,核心规律是——越大越准,但也越吃显存/内存、跑得越慢。tiny / base:速度快、占用小,适合安静环境的清晰口播,或只要个大概草稿再手工校对。small / medium:准确率和速度的平衡点,大多数录屏、教学、播客场景选这一档最划算。large:识别最准,尤其对口音、专业术语、背景噪声更稳,但对算力要求最高,单条视频处理时间明显拉长。取舍逻辑:字幕反正都要人工校对,所以不必盲目追 large——用大一档换来的准确率提升,可能还抵不过它多花的处理时间。先用中间档跑一遍,看校对工作量能不能接受,再决定要不要往上加。音频本身录清楚(近麦、降噪),比换更大的模型更能提升识别率。字幕格式怎么定:外挂 srt 还是硬字幕烧录?这是发布前最关键的一个决策,判断标准是字幕以后还要不要改、以及在哪儿播放。两种落地方式没有谁更好,只有适不适合:.srt 外挂字幕:一个纯文本文件,里面是时间轴 对应文本。它和视频分离,播放器可以开关、能随时改字、能换语言、能做多语字幕。适合上传到支持外挂字幕的平台、需要后续维护、或要出多语版本的场景。缺点是有些播放环境不加载它,字幕就没了。硬字幕 / 烧录(burn-in):把字幕直接渲染进画面像素里,通常导出成 H.264 编码的 MP4。它全平台通用、发到哪都在、不会丢,但代价是不可改、也没法关。适合发短视频平台、微信、直接分发给别人看的成片。选型建议:要长期维护、多语言、可编辑 → 选 srt;要一次性发布、跨平台稳定、防止字幕丢失 → 选硬字幕烧录。实操里很多人两手都留:导出一份烧录好的 MP4 用于分发,同时留一份 srt 作为可编辑母版,以后改词、翻译、复用都方便。字幕样式怎么设置才在各平台都清楚?一句话:字号够大、加深色描边、放底部居中,这三点保证字幕在浅色和深色画面上都读得清。样式不是审美问题,是可读性的技术约束——尤其硬字幕烧录进去就改不了,发布前必须定好:字号:按手机竖屏观看的最小可读性来定,宁大勿小。描边 / 底衬:给文字加深色描边或半透明底条,避免字幕压在浅色背景上糊成一片。位置:底部居中是通用安全区,但要避开短视频平台右下角的按钮和底部标题遮挡带。导出参数怎么选:什么编码和分辨率最稳?直接给通用解:1080p 分辨率 H.264 编码的 MP4,这是兼容性最好、各平台都吃的组合。硬字幕烧录时,分辨率和编码直接决定成片体积和清晰度,选型时抓两点:分辨率:录屏、教学类 1080p 足够清晰又不至于文件过大;有细节的界面演示可以保留原始分辨率,别缩放导致字发虚。编码:H.264 是通吃全平台的安全牌,兼容老设备和几乎所有播放器;追求更小体积可考虑 H.265,但要确认目标平台支持。完整流程串起来就是:导入或录制素材 → ASR 自动生成字幕 → 人工校对 → 设置样式 → 烧录成 MP4 或导出 srt。把校对这一步单独列出来很重要——它是自动生成字幕质量的最后保险,任何模型档位都替代不了。录屏录课场景:边录边出字幕能省掉哪些环节?结论:如果你的字幕来自录屏或录课,选一个录制 剪辑 字幕一体的工具,能直接跳过导出→再导入识别的来回搬运。分离式流程(录屏软件出片、再丢进另一个工具识别)每多一道导入导出,就多一次画质损耗和时间成本。一体化工具在录完的同时就能本地跑 whisper 出字幕,少折腾。这类工具里,像讲笔 Lecta就把录屏和本地 whisper 离线字幕做在了一起,录完直接校对样式导出,音视频不上传。选这类工具时,重点看它的录制能力是否覆盖你的场景,常见的实用能力包括:录屏 / 选区录制、画中画、实时标注、局部放大、白板、本地 whisper 字幕、一键去静音去口头语、暂停继续、片头、导出 MP4。系统要求一般是 macOS 12.3 或 Win10。录课前先把这些开关设好,能少返工。常见问答问:视频自动加字幕,识别准确率大概能到多少,还要人工校对吗?答:清晰口播用中大档 whisper 模型识别已经相当高,但专业术语、人名、同音词、口音仍会出错,所以流程里必须保留人工校对这一步。把它当成先出草稿再修,而不是一步到位。问:本地 whisper 字幕和云端识别,隐私差别到底在哪?答:云端方案要把你的音视频上传到服务器处理;本地 whisper 在自己机器上离线跑,素材不出本机。涉及内部课程、会议、客户素材时,本地方案在合规上明显更稳。问:.srt 和硬字幕我到底该导出哪个?答:看以后要不要改。要维护、要多语言、要能开关就导 srt;要一次性发布、跨平台都显示、不怕改就烧录成硬字幕。实操里可以两份都留:一份烧录 MP4 用于分发,一份 srt 作可编辑母版。问:模型是不是越大越好,直接上 large 行不行?答:不一定。large 最准但最慢最吃算力。既然都要人工校对,中间档(small/medium)往往性价比更高。先用中间档跑一遍看校对量,不够再往上加。把音频录清楚比一味换大模型更有效。问:导出用什么分辨率和编码最不容易出问题?答:1080p H.264 的 MP4 是兼容性最好的通用组合,老设备和几乎所有平台都能播。界面演示类可保留原始分辨率避免字发虚;想要更小体积再考虑 H.265,但先确认目标平台支持。