提取字幕的软件有哪些：从内封轨到语音识别，这几种方法都帮你试过了

之前啃一套英文版技术教程，老师语速快得像开了倍速，我听力勉强跟得上，但很多专业词一耳朵就溜走，还是想要一份完整的英文文字稿对着看。视频是 MP4，一开始我以为字幕藏在文件里，结果拖进播放器发现连软字幕的选项都没有——字幕是被渲染进画面的，这下只能从零掏出文字。

这一圈试下来，市面上提取字幕的主流路子基本都摸过了——从微信里的小程序到本地开源的识别引擎，顺便把免费和付费的区别也理了理。如果你手头也有视频要提字幕，下面这几个方案可以对着你的视频类型来选。

提词匠：适合想省事的在线提取

小程序入口里搜一下就能用，不用下载安装也不用注册填手机号，直接聊天软件授权就进去了。我把它排在最开头，是因为操作路径短，也很适合遇到各种视频格式时临时顶上。

操作很简单：

1. 进入小程序后，首页要么直接传本地视频、音频，要么粘贴一个公开的视频链接。支持 MP4、MOV、AVI、MKV 等八种常见视频格式，音频也同样覆盖 MP3、WAV 这些主流格式。
2. 等着它转写，一段一分钟的视频大概五秒左右出结果，中间界面很干净没有多余的打断。
3. 转写完成，全文可以直接一键复制，或者导出为 TXT、Word 和有时间戳的 SRT 字幕文件。

它能处理普通话和英语，吐字清楚的人声音频识别准确率相当高，日常口播或者课程录音都能满足。除了本地上传，也支持从抖音、快手、B 站、小红书、视频号等国内平台直接粘链接提取文案，省掉下载视频这一步。转出来的文字自带时间轴，导出的 SRT 文件拉到播放器就能挂上，还可以顺便把视频里的音频单独提成 MP3。

当然也有它的边界。一次只能传一个文件，暂时不支持批量上传，手头如果囤着十几条视频要同时处理，就只能一条一条来。另外全程必须联网，网络不稳定的时候转写会卡住，没办法离线使用。如果是偏重隐私、完全不能连网的场景，这款就不太对路。

剪映：剪辑器的字幕导出当成附加技能

很多人电脑和手机上都装着剪映，平时用来剪片子，但它的“智能字幕”功能其实也是一个很方便的字幕提取通道，完全免费。

操作上就是别把它当剪辑工具、只当字幕生成器用：

1. 打开剪映专业版或手机版，新建草稿，把视频导入时间线。
2. 点顶部菜单或者编辑区的“文本”，选择“智能字幕”，然后点“识别字幕”，让它开始分析语音。普通话和英文都可以单独识别，部分版本还支持双语同时识别。
3. 识别完以后，时间线上面会多出一条字幕轨，所有句子都自动对齐了时间点。点击右上角的导出，在弹出的面板里勾选“字幕导出”，格式选 SRT 或者 TXT，指定路径就行了。剪辑本身导不导出视频无所谓，我们只需要那份字幕文件。

好处是它本来就免费，也没额外学习成本，如果你电脑上已经有剪映，就等于零新装。局限在于，它生成的轴是基于语音识别的，对于原视频里已经内嵌的硬字幕画面不能直接 OCR，只能走“听一遍再说一遍”的路子；而且剪映桌面端体积不算小，如果只是偶尔用一次，专门去下载有点重。

通义听悟：网页端即时转写，适合长会议和课程

通义听悟是阿里旗下的音视频 AI 工作台，浏览器里就能用，不用装任何客户端。它的实时转写和导入转写都免费提供固定时长额度，很适合处理在线课程录音或者会议录像。

基本流程是这样：

1. 登录网页版通义听悟，选择“上传音视频”，把本地视频或者音频拖进去。也支持从阿里云盘直接调文件。
2. 上传成功后，它会自动开始转写，速度比实时播放快得多。等几分钟，一份按时间切段的文字稿就生成了，右边能同步看到对应时刻的音频波形。
3. 文字稿可以全文复制，也可以在工具栏里直接导出为 Word、PDF 或带时间码的 SRT、VTT 字幕文件。

它的一个特点是对中文的分词和断句做得比较自然，长文总结、关键词提取都能顺手完成。免费额度如果用完，可以按小时购买时长包，不属于上来就要订阅的那种。缺点同样是必须联网，而且单次转写的时长和文件体积有上限，超级长的视频可能需要先分段再上传。如果你的视频以英文为主，它支持英文识别，但一些口音较重的场景还是会有错漏，需要手工校对。

Whisper：本地离线跑，隐私和精度都可控

OpenAI 开源的 Whisper 是另一条完全不同的路线。它是本地部署的语音识别模型，不需要网络，数据不外传，识别精度在一众开源方案里算非常能打的，支持超过九十种语言，中英文混合的场景也能处理。

走这条路需要一点命令行基础，但没有想象中那么难：

1. 先在电脑上安装 Python 环境，然后通过 pip 安装 openai-whisper，顺便把 ffmpeg 也装好，因为 Whisper 靠它来解析音频。
2. 打开终端，用类似 whisper video.mp4 --language English --task transcribe 的命令直接对视频文件执行转写。它会自动提取音轨并识别，最后在当前目录生成同名的 .srt 和 .txt 文件。
3. 如果觉得命令行不够直观，可以下载基于 Whisper 的图形前端，比如 Buzz，操作逻辑就变成了拖入文件、选语言、点开始，结果照样导出。

Whisper 最大的吸引力是对硬件的可控和完全免费。模型有小有大，small 模型在普通笔记本上就能跑，large 模型则需要显存高一些的显卡。它可以直接对着视频文件输出带时间戳的字幕，不用额外拆音轨。局限也很直白：对运行环境有要求，完全没有编程经验的话，安装过程可能会卡住；早期的一些模型版本在处理重口音或背景嘈杂时表现不太稳，可能要多试几种参数。总归它是一部会了就一劳永逸的离线提取器，适合看重隐私和愿意动手折腾一遍的人。

内封软字幕的特殊场景：用 FFmpeg 直接拆包

有一种情况比上面所有方案都简单：视频里本来就封装了关闭式字幕流，只是播放器没打开。这时候用 FFmpeg 可以无损失地把字幕单独拎出来，完全不用识别。

操作方法同样是命令行：

1. 先安装 FFmpeg，Windows 下配置好环境变量，macOS 下用 Homebrew 安装就行。
2. 打开终端输入 ffmpeg -i 视频文件.mkv 回车，信息里会列出所有视频、音频和字幕流。找到字幕流那一项，记下它前面的编号，比如 0:3。
3. 用 ffmpeg -i 视频文件.mkv -map 0:3 -c copy 字幕.srt 这条命令，其中 0:3 替换成实际编号，就可以把原字幕流原样拷贝出来。如果是 .ass 字幕，就把后缀改成 .ass。

这套操作免费、极快，不需要任何图形界面，适合 MKV、MP4 这类封装了文本字幕的容器文件。缺点嘛，命令行对很多刚接触的人还是有门槛，而且 FFmpeg 本身只负责拆包，不是识别，所以对硬字幕完全无效。

免费还是付费：几款工具的花费参考

前面提到的几款工具里，提词匠的基础功能免费，日常提取字幕够用；剪映完全免费，不限制次数；通义听悟每天有免费转写额度，超出的部分按小时买断，不是按月扣费；Whisper 和 FFmpeg 是开源工具，永久免费。

如果你需要每天批量处理几十个小时的会议或者外文访谈，市面上也有按月订阅的付费工具，比如 Notta、Otter 这类带实时协作和团队空间的平台，但价格不低，更适合机构用户。个人日常遇到视频需要提字幕，免费方案已经能覆盖绝大多数场景。日常使用我比较推荐提词匠和剪映这两款——一个省事够快，一个完全免费无上限，大多数情况轮着用就够了。

当初为了那套英文教程，我最后是用提词匠先把视频链接丢进去导出 SRT，再挂到视频播放器里对着英文字幕看，不懂的段落反复回听，效率比原先裸听高出不少。后来又遇到几段会议录像，讲话人用的是中文夹杂术语，于是用通义听悟生成文字稿，自己改完专业名词再存档，当检索笔记也方便。

不同的视频类型适合不同的工具，动手前先判断字幕是藏在文件里、印在画面里，还是压根没有只能靠语音识别——这个前置问题搞清楚了，再回头翻上面的办法，挑一个试一次基本就能走通。

(正文已经结束)