用 Whisper 给视频加字幕：一条命令转写、一行 ffmpeg 烧录

为什么在本地做

在线字幕服务要么按分钟收费，要么要求把视频传上云端。如果你处理的是内部会议、客户沟通、或者还没公开的素材，上传本身就是风险。Whisper 是开源语音识别模型，在本机跑，视频不出电脑，识别质量对中文也很够用。

下面这套流程我用在每周的录屏复盘上：先把语音转成 .srt，人工快速校一遍，再用 ffmpeg 把字幕烧进视频。整体下来比任何付费工具都省心。

第一步：装 Whisper

推荐用 Python 版（openai-whisper），有 N 卡会走 GPU 快很多。CPU 也能跑，只是慢几倍。

pip install openai-whisper
# 第一次运行会自动下载模型权重，约 1.5GB
whisper meeting.mp4 --model medium --language Chinese --output_format srt

模型选 large-v3 最准但最慢；日常用 medium 基本够。--language Chinese 能显著减少中英文混说时的误识。

第二步：拿到 .srt 后先校一遍

自动识别难免错几个词，尤其是人名、专业术语。用任意文本编辑器打开 meeting.srt，按时间轴改就行。SRT 格式很简单：序号、时间轴、文本，三行一组。

1
00:00:01,000 --> 00:00:04,500
这段可以直接在编辑器里改文字

第三步：用 ffmpeg 烧录进视频

不想让播放器去加载字幕文件，就直接把字幕“烤”进画面，发给谁都能看。

ffmpeg -i meeting.mp4 -vf "subtitles=meeting.srt:force_style='FontSize=20,PrimaryColour=&H00FFFFFF&'" -c:a copy meeting_sub.mp4

FontSize 和 PrimaryColour 控制字号和颜色（&H00FFFFFF& 是白字）。中文若出现方块，先在系统装好中文字体，或加 FontName=微软雅黑。

视频文件Whisper转写.srt校对ffmpeg烧录成片字幕
流水线：视频进、字幕出，文件全程不离开电脑

几个踩过的坑

  • 长视频一次性转写很吃内存，超过 1 小时建议先 ffmpeg 切成 10 分钟一段再处理。
  • Windows 下 pip 装不上多半是缺 Visual C++ 运行库，先装 build tools。
  • GPU 不生效多半是 PyTorch 装成了 CPU 版，重装时加 --index-url 指向 CUDA 版本。
省事做法：装个 WhisperDesktop 这类带界面的封装，拖进去就能出字幕，适合不想碰命令行的同事。