技能介绍

解决本地化字幕生成的痛点

在视频或音频后期处理中，给素材配字幕往往依赖云端 API。这不仅会产生按量计费的成本，还可能带来隐私泄露的风险，尤其是处理包含内部资料或敏感信息的素材时。此外，通用 ASR 模型在面对角色名、命理术语或特定品牌等专有名词时，极易出现同音字识别错误，而云端服务通常难以针对单个项目进行定制化的词表校对。该技能旨在通过完全本地化的脚本流水线，解决上述隐私、成本与识别准确率的问题。

核心能力与工作流

该技能基于 Whisper 模型构建了一套标准化的本地处理流水线。首先，通过 ffmpeg 提取音频轨道，随后交由 faster-whisper 或 openai-whisper 进行语音识别。为了解决专有名词翻车的问题，流水线引入了词表校对机制：你可以提供字典式或列表式的 JSON 词表（如 {'错': '正'}），程序会在识别后根据长词优先原则自动纠正错误。

在生成 srt 或 vtt 外挂字幕后，可根据需求选择进一步处理。如果需要画面带字幕，可使用 --burn 参数将字幕硬烧进视频；若希望保持视频原画质并支持开关，则可使用 --mux 封装软字幕流。对于中英双语需求，只需设置 --mode bilingual，程序会自动执行转写和翻译两次模型推理。此外，v1.1 版本引入了 VAD 静音过滤与断句优化，大幅降低了算力消耗并改善了字幕阅读体验，同时支持通过 TOML 配置文件或命令行参数进行批量处理。

适用边界与注意事项

尽管本地化方案在隐私和定制性上具有明显优势，但仍需注意其硬件依赖与准确率边界。

算力与耗时：双语模式本质上是对同一段音频跑两次模型（transcribe + translate），在纯 CPU 环境下耗时较长。若需快速产出，建议使用 GPU 加速（自动检测并启用 float16 精度）。
字体渲染：在 Windows 系统下硬烧中文字幕时，若不指定字体，极易出现方块乱码。务必通过 --font-name 'Microsoft YaHei' 或 --font-file 指定中文字体文件。
识别局限：ASR 并非 100% 准确，对于专名密集或口音较重的内容，词表校对只能兜底一部分错误，最终上线前仍需进行人工校对。