免费本地字幕提取工具实测无需联网的OCR神器3分钟把视频硬字幕变成SRT文件【免费下载链接】video-subtitle-extractor视频硬字幕提取生成srt文件。无需申请第三方API本地实现文本识别。基于深度学习的视频字幕提取框架包含字幕区域检测、字幕内容提取。A GUI tool for extracting hard-coded subtitle (hardsub) from videos and generating srt files.项目地址: https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor如果你曾在剪辑软件里对着视频硬字幕一个字一个字地敲大概能体会那种崩溃——一小时的素材光打字就能耗掉一整个下午。今天要聊的 Video-subtitle-extractor简称 VSE就是专门解决这个痛点的免费开源工具它全程在本地运行靠内置的深度学习 OCR 模型自动识别视频里的硬字幕几分钟就能产出一份可直接使用的 SRT 字幕文件不需要联网也不需要申请任何第三方识别 API。那晚我对着一段旧录像敲了整夜字幕上个月我接到一个有点特殊的任务把一段三十多年前的家族录像转成带字幕的数字版。录像画质谈不上好但画面上的硬字幕——时间、地名、人名——却一个都不能漏。于是那个晚上我的动作变成了机械循环暂停、截图、辨认、打字、继续播放……凌晨两点我盯着两页手抄稿发呆脑子里只有一个念头如果有个程序能直接读懂视频画面里的文字该多好。第二天一早我找到了 VSE。事实证明它不仅解决了那个晚上的问题还顺手把我此后所有给视频补字幕的工作都省了。我的第一次从下载到跑通第一个任务很多人看到深度学习OCR这类词就发怵担心配置很麻烦。老实说我一开始也这么想但实际走下来比我想象的顺利得多。第一步搭一个干净的运行环境项目要求 Python 3.12 及以上版本。我的做法是先建一个独立虚拟环境避免污染系统里已有的 Python 依赖git clone https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor cd video-subtitle-extractor python -m venv videoEnv source videoEnv/bin/activate pip install -r requirements.txt如果你的电脑有 NVIDIA 显卡可以再补装对应版本的 paddlepaddle-gpu 获得加速没有显卡也没关系CPU 版本同样能跑只是慢一些。第二步打开视频框出字幕区域一切就绪后一条命令就能唤出图形界面python gui.py界面比我预想的清爽。点击打开载入视频中央是播放窗口右侧是参数面板。我需要做的只有两件事把字幕语言选成视频里实际用的语言我那次是英文然后在画面上用鼠标拖出一个矩形框把字幕出现的区域圈起来。剩下的交给软件。第三步点一下运行等几分钟按下运行左下角的状态区开始滚动日志关键帧提取、字幕区域检测、文本识别、去重、生成文件……进度条一格一格往前走。中途我甚至去泡了杯咖啡回来时 SRT 文件已经生成完毕还顺带导出了一份 TXT 文本。把它拖进剪辑软件验证了一下时间轴和原文基本对得上个别拼写错误也在可接受范围内——毕竟这是机器识别不是神仙。真正打动我的五个细节用了一个多月我陆续摸清了它的脾气。下面这几个能力是我觉得最值得拿出来说的。所有识别都在本地完成视频不用离开你的电脑这是我最看重的一点。VSE 的整个识别链路——从视频抽帧、字幕区域检测到文字内容识别——全部在本地完成视频文件从头到尾不会上传到任何服务器。对于涉及隐私的素材这种本地部署的模式让人踏实得多也省去了申请各种云识别 API 的流程。87 种语言冷门语种也能识别它的模型库放在backend/models/V5/目录下除了常见的中英日韩还覆盖了阿拉伯语、越南语、泰语、印地语、西里尔字母语系等共计 87 种语言。我试过一次带越南语字幕的素材识别结果居然有模有样。三种识别模式按需切换快速模式轻量模型速度快适合对准确率要求不高的场景自动模式程序根据你的硬件自动选择模型——有 GPU 时用大模型没有时用轻量模型日常推荐精准模式逐帧检测、几乎不丢字幕但速度非常慢适合字幕轴丢失严重的情况。我的经验是默认用自动模式不满意再上精准模式。批量处理一次喂五个视频如果你手上攒了一堆格式统一的教学视频或节目素材可以把它们一次性全部选中VSE 会按照同一套参数挨个处理。对于需要批量出字幕的场景这几乎是效率翻倍的体验。用 typoMap.json 给字幕纠偏OCR 偶尔会把 Im 识别成 lm把威胁识别成威筋。VSE 提供了一个很巧的机制编辑backend/configs/typoMap.json把你发现的错误和期望的替换结果写进去之后所有识别结果都会自动纠正还能顺手把台标、水印这类固定文本替换成空字符串直接过滤掉。替你试过毒四个容易踩的坑这部分是我真实踩过的提前写出来帮你省掉几小时排查时间。坑一视频路径和项目路径里别带中文和空格这是官方文档里反复强调的第一条。我一开始没当回事把视频放在下载/课程视频这种目录下结果程序报了一堆莫名其妙的错误。把文件挪到纯英文、无空格的路径后一切恢复正常。坑二字幕区域框得不够准框选范围如果太大容易把背景里无关的文字也识别进来框得太小又会漏掉后半句。我的做法是先播放几秒确认字幕的上下边界再留出少量余量框选。坑三批量处理时视频分辨率必须一致批量模式要求所有视频的分辨率和字幕区域保持一致否则处理结果会错位。如果你手里的视频来源混杂建议先统一分辨率再扔进批量队列。坑四一上来就选精准模式精准模式听起来最美好但逐帧检测带来的时间成本可能超出你的耐心——一个十分钟的视频跑上很久是常有的事。正确姿势是先快速/自动模式过一遍确认丢轴严重时再对症下药。它背后是怎么工作的写给好奇的人如果你想知道原理其实它的源码结构并不复杂核心逻辑都在backend/tools/目录下subtitle_detect.py负责视频关键帧提取与字幕区域检测ocr.py加载深度学习模型完成文字内容识别hardware_accelerator.py负责 GPU 加速检测与多平台适配reformat.py负责字幕去重、时间轴对齐与 SRT 格式标准化。从视频帧里定位文字到逐帧识别再到把重复行合并成规范的时间轴整条流水线环环相扣。感兴趣的读者可以直接翻翻项目的 README.md 和这几个源码文件逻辑比想象中好懂。写在最后回头再看那个敲了整夜字幕的晚上我最大的感慨是很多重复劳动其实早就有更好的解法只是我们习惯性地没去找。VSE 不是什么玄学工具它就是一个把读视频里的字这件事做扎实的开源项目——免费、本地、支持 87 种语言、还能批量处理。如果你也经常和视频硬字幕打交道无论是给课程补字幕、给素材做翻译底稿还是单纯想把老录像里的信息留存下来都值得花一个下午把它跑通。它的安装命令只有几行我第一次用时也怀疑过自己能不能搞定结果不到半小时就跑出了第一份 SRT 文件。试试看吧说不定你也会和我一样从此告别那台人肉字幕机。【免费下载链接】video-subtitle-extractor视频硬字幕提取生成srt文件。无需申请第三方API本地实现文本识别。基于深度学习的视频字幕提取框架包含字幕区域检测、字幕内容提取。A GUI tool for extracting hard-coded subtitle (hardsub) from videos and generating srt files.项目地址: https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考