语音转字幕 VTT - 视频工具 · 萤炬工具箱

语音转字幕 VTT 用语音识别给没有字幕的素材生成带时间轴的 WebVTT。上传视频时会先在浏览器提取音轨，也可以直接选择音频文件。默认使用云端引擎的 Qwen3-ASR 高精度识别，也可切换为浏览器本地 Whisper。输入视频（自动提取音轨）或音频文件，输出带时间轴的 .vtt。识别结果需人工校对，专有名词与人名…

语音转字幕 VTT 用语音识别给没有字幕的素材生成带时间轴的 WebVTT。上传视频时会先在浏览器提取音轨，也可以直接选择音频文件。默认使用云端引擎的 Qwen3-ASR 高精度识别，也可切换为浏览器本地 Whisper。

使用步骤

1. 上传视频（自动提音轨）或直接上传音频文件。
2. 开始识别，页面显示进度，长音频需要耐心等。
3. 在结果里通读一遍，修正人名、专有名词等易错处。
4. 导出 .vtt 文件，可直接给播放器用或拿去烧录成硬字幕。

功能与限制

• 输入视频（自动提取音轨）或音频文件，输出带时间轴的 .vtt。
• 识别结果需人工校对，专有名词与人名易出错。
• GPU 模式会上传提取后的音轨用于云端推理；本地模式不上传。长音频与噪声会影响耗时和准确率。

常见问题

识别准确率大概怎样？

录音清晰、单人普通话的素材可用度较高；多人抢话、口音重、背景音乐大的场景错字会明显增多。专有名词和人名基本都要人工校对。

怎么提高识别效果？

先用「视频音频降噪」处理掉底噪，再用「视频音量调节」把偏小的人声提上来。输入信号越干净，识别越准。

时间轴准不准，能直接用吗？

时间轴按语音停顿切分，大体对得上。如果发现整体有偏移，用字幕编辑工具平移一下即可，不必重新识别。

生成的字幕怎么变成画面上的硬字幕？

拿导出的 .vtt 去「视频烧录字幕」，选好字号和位置就能把它画进画面，这样在任何平台都会显示。