当前位置：

社区首页

电脑数码

软件应用

服务软件

文章详情

开源字幕工具，翻译、配音、合成一次完成

给视频配字幕，过去得在几个工具之间来回倒。把片子弄下来用一个，转文字用一个，翻译一个，配音一个，最后字幕还得一个。

妙幕（SmartSub）把这些装进同一个桌面应用，MIT 协议，Windows、macOS、Linux 都有安装包，GitHub 上五千五百多星。

启动台。左边是几个预设流程，右边是环境就绪度、快捷入口和 AI 助手

01 / MODELS & API

本地模型和接口方式

先说它用什么模型跑。本地模型装上就能用，不用自己去配运行环境，模型下载也有国内镜像的替代办法。

本地

本地那套打包在软件里，装上就能用

whisper.cpp FunASR Qwen3-ASR FireRedASR NVIDIA Parakeet Kokoro VITS ZipVoic esherpa-onnx ffmpeg

转写有五个识别引擎，按语种和场合分工。whisper.cpp 是 OpenAI Whisper 的 C++ 移植版，什么语言都能认，当通用项用；FunASR 来自阿里达摩院，主打中文；Qwen3-ASR 也是阿里的，覆盖的语种和方言最多；FireRedASR 是小红书开源的，开源方案里中文精度排前面，短视频字幕这类素材更合适；NVIDIA Parakeet 面向英文，胜在快。whisper.cpp 直接内置，另外四个靠内置的 sherpa-onnx 加载，那是个跨平台的语音模型运行时，装上就能切。

配音，把文字念成声音，用的也是三样。Kokoro 是个轻量语音合成模型，自带 103 个音色；VITS 走中文合成，174 个音色；ZipVoice 做零样本克隆，录一段参考音频就能用那个声音念下去。最后合成交给内置的 ffmpeg。

接口方式这头是云端 API，按量计费，不抢本地的活。

云端

按量计费，不抢本地的活

9 家在线听写20 个翻译服务6 类云端配音

翻译最能看出这套设计的开放度，内置几家免费接口能直接用，也能把 Ollama 里的本地模型拉来当引擎。

本地和云端给的功能是一样的。走本地不需要注册任何账号，不需要申请 API Key，音频文件不出本机，也没有用量限制。不想为字幕付费、也不想把素材传到别人服务器上的人，靠本地这条路就能把整条流程跑通。

02 / WORKFLOW

几大功能

配字幕要走六步，下载、转写、翻译、校对、配音、合成，它把这六步装进同一个应用。

六个环节各自的本地路与云端路

STEP 01

下载

yt-dlp 用来下海外站点的视频，比如 YouTube，据说支持 1800 多个站点；lux 则针对国内的站点，B 站、抖音、小红书这些平台都支持。链接直接粘贴，它会自己识别使用哪个引擎，需要手动下载引擎。实际测试了 Youtube 和 B 站的视频，都能完成保存。

下载引擎页，两张卡各带自己的安装日期，下面是刚用 yt-dlp 下完的一条 YouTube 视频

STEP 02

字幕转写

加载你要处理的视频，选择好视频默认的语言，会自动识别生成字幕。

场景给了一组预设，按素材分档。会议访谈、网课演讲、影视 Vlog、短剧短视频各有各的切分与停顿策略，通用均衡兜底，不确定选哪个就用它。不想用预设的话，专家自定义能调 Beam Size、VAD 灵敏度和幻觉过滤这些底层参数。其中说话人聚类、术语校正、口语化这几项要额外接服务。

字幕页，一条任务走完提取、转写、导出三步，语音模型用的是 Whisper.cpp，输出 SRT

STEP 03

翻译

给字幕换一种语言，有免费接口、付费服务、和本地模型三选一。测试时免费的一直失败，最后使用 DeepSeek 的接口完成了翻译。

字幕页的逐句对照，一条 3 分 20 秒的片子切成 113 句，每句英文原文配一行中文译文，顶部标着 23 处待检查

STEP 04

校对

界面里有个逐句校对台，对着字幕一句一句过。识别和断句总有出错的地方，这一环是留给人补的。

校对台，2 分 14 秒的片子逐句带时间码，选中哪句就在右侧改哪句，行下标着字符数与 CPS

STEP 05

配音

将字幕文字转换为其他声音，音色可以挑选，也能用克隆声音。测试了默认的引擎，声音 AI 感比较重，VITS 引擎比较自然，克隆声音没有测试。

配音台，左侧挑引擎、声音和语速，右侧 58 句台词逐行列出，每行还能单独换音色

STEP 06

合成

最后出片，可以选择字幕的样式，重新生成的音轨可以加入。

合成台，左侧挑字幕样式、右侧实时预览，底部切硬字幕与软字幕，编码可选 CPU 或硬件加速

03 / TOOLBOX

工具箱

六个环节之外，它还攒了一盒周边小工具，一共八个，处理全在本机。字幕格式互转，SRT、VTT、ASS、LRC、TXT 这些都能倒，ANSI、GBK 乱码能探出来修掉，也能转简繁。视频按毫秒级区间无损裁，裁好直接送进转写。音轨一键抽出来转 MP3、WAV、AAC、FLAC，预设里带一个 16 kHz 的语音识别档。MKV、MP4 里内封的字幕轨能单独抠出来。时间轴可以整体平移、按比率压缩，或者用首尾双锚点重采样校准。双语字幕按时间轴重叠合并，也能拆回两份单语。社交分享的轻量压缩能压到 25 MB 以内。片段还能导出成 GIF 动图。

这些单拎出来都不算大功能，找个在线站也能对付。放进同一个应用，好处是跟前后步骤接得上，裁完的片段送进转写，抽出的音轨直接配字幕，中间少一通导出再导入。