自动生成字幕怎么做？从导入到导出4步走

字幕识别出一堆错字、时间轴还对不上，先别急着换工具。多数情况是素材和流程的问题：把音频喂干净、选对识别入口、导出后只校三处，AI 自动生成字幕的返工量能明显降下来。下面按「定用途 → 识别 → 校准」的顺序说。

先搞清楚：你要的是哪一种字幕

• 硬字幕：烧进画面里，改一个字就得整条重导，适合一分钟以内的短视频。

• 软字幕：独立字幕轨道，观众可以开关，适合课程、访谈这类长内容。

• 外挂字幕文件：SRT 或 ASS，剪辑软件里还能继续改，适合后面还要二剪的片子。

用途定错了，后面每一步都白做。做课程却生成硬字幕，学生没法关掉，只能整条视频重新导出一次。

AI 自动生成字幕怎么用：4 步走完

第 1 步：先把音频喂干净

• 把背景音乐轨静音，或降到人声的十分之一以下。

• 多人抢话的素材，先按说话人粗切成小段再识别。

• 口播录音峰值控制在 -12dB 到 -6dB，忽大忽小的音量最容易吞字。

在剪辑软件里把视频导出一条只有人声的 WAV。做完你会得到一条干净的单轨音频，这一步能省掉后面大半改错时间。

第 2 步：挑识别入口

• 手机上：剪映的「文本 – 智能字幕 – 识别字幕」，适合 3 分钟以内的口播。

• 电脑剪辑软件：Premiere Pro 的转录序列、达芬奇的语音转字幕，适合已经粗剪完的成片。

• 独立转写工具：飞书妙记、通义听悟、讯飞听见这类，适合一小时以上的会议和访谈，能直接导出 SRT。

• 有隐私要求：Whisper 可以本地跑，音频不上传，代价是要自己配环境。

• 长音频先切段：超过 30 分钟的素材切成 10 到 20 分钟一段，速度和准确率都更稳。

第 3 步：导出后只看三处

1. 首尾各 5 秒：时间轴偏移几乎都出在这里。

1. 专有名词：人名、产品名、英文缩写，基本必错。

1. 断句：一句话被切成三四条，后面排版会很难看。

第 4 步：改完再对齐一次

错别字要在剪辑软件里批量替换，不要改导出的 SRT 文本。改完重新导入，确认时间轴没跑偏，再决定是烧进画面还是导出外挂文件。要做中英双语，先把原文改准，再叠翻译轨，否则错误会被放大一倍。

自动生成字幕对不上？先排查这 3 个原因

1. 帧率不一致：素材是 30fps，时间线设成 25fps，字幕会一句比一句往前飘。统一帧率后重新识别。

1. 音画本身有偏移：先把波形和人声口型对上，再重新走一遍识别。

1. 语言选错：中英混说的素材选了纯中文，英文部分会直接空白。改成中英混合或手动指定语言。

修完还是错位，就把 SRT 用文本编辑器打开，看时间码是 00:00:01,000 还是 00:00:01.000。逗号和句号混用，部分软件会读不进去。

AI 自动生成字幕的免费与付费边界

• 免费基本够用：短视频口播、几分钟的录屏，手机端和剪辑软件自带的识别大多免费，限制多在单次时长上。

• 付费主要买三件事：更长的单次时长、更高的并发、术语库和批量导出。

• 看计费口径：有的按上传文件时长算，有的按实际识别时长算，同一条素材差价能到一倍。

• 别急着开年付：先用免费额度跑一条 20 分钟的长音频，能接受断句质量再考虑付费。

• 隐私优先的素材，本地 Whisper 是零成本方案，成本换成电脑性能和配置时间。

常见问题（FAQ）

AI 自动生成字幕怎么用最省时间？

先导出一条干净人声，再一次性识别，最后只校首尾、专有名词、断句三处。别边识别边改，同一句改两遍最费时间。

识别不准是工具不行吗？

多数是音频问题。带背景音乐、多人抢话、音量忽大忽小的素材，换哪个工具都容易错。先把音频处理干净，再判断要不要换。

导出的 SRT 导入剪辑软件不显示怎么办？

先看时间码是逗号还是句号分隔，再看文件编码是不是 UTF-8。这两项都对还不行，就改用软件内置的识别功能直接生成字幕轨。

会议录音能直接生成字幕吗？

可以，用独立转写工具更稳，还能按说话人分段。一小时以上的录音建议切成 20 分钟一段，识别更快，出错也更好定位。

最后更新：2026-10-14（工具界面、价格与政策可能调整，请以官方页面为准）。