大家好，我是波導終結者。

最近，我做帶字幕的視頻有點多，如何高效率地打時間軸就成了個問題。擱以前，剪映的語音識別和文稿匹配功能確實是實用的，但現在大家也都知道，功能全部要SSVIP才能用，會員也越來越貴。更關鍵的是很多核心功能仍然在向更高級的VIP遷移，說白了，你錢交了，事后跟你說這個不能用那個不能用，得交更多錢。所以最近我也是找了一圈最佳替代，最終敲定了卡卡字幕助手VideoCaptioner這款軟件，跟大家分享。

這是一款免費開源的軟件，在Github上可以找到源代碼或者安裝包，一鍵安裝運行。此處我以Windows版本為例，它的核心功能分為三塊，音視頻方面的東西自帶FFmpeg就略過了。第二塊是語音轉文字，提供了不少的提口供使用，這里推薦默認的FasterWhisper，本地幾G的模型，在線下載即可，非常方便。藍圈部分是LLM配置，用于語言大模型處理斷句，字幕優(yōu)化甚至是翻譯等功能。

不過具體的設置和下載界面，并不在軟件的設置頁面，而在語音轉錄這個功能界面。目前FasterWhisper的程序和模型都能在界面里直接下載，免工具基本滿速，后續(xù)如果有變動再另說。硬盤容量和配置夠的話，large-v2或者v3的模型是強烈推薦的，支持顯卡加速，效率挺不錯的。

至于LLM語言大模型，之前跟大家分享過好幾期了，這里感覺就略過吧，反正DeepSeek本地用一用就挺夠的了。一般默認參數下，識別的字幕就還挺可以的，如果要求不是特別高，直接用都沒問題。如果需要更深處的處理，可以選中“字幕校正”，并且把文稿貼到文稿提示的文本框里，再進行處理。

這里的字幕校正，以及字幕是否分割，分割按句子分段還是按語義分段，以及中文最大字數，文稿提示等，都會對字幕最終的效果產生影響。當前1.3.3版本，還沒辦法達到剪映文稿匹配的效果，也即文稿原文完全不修改，完全按照文稿進行時間軸和字幕對齊。如果開了字幕校正，雖然可以對齊，但是有時候一些字眼會被大模型替換，如果不開校正，斷句有可能跟文稿出現部分錯位?？傊褪?，差不多可以替代80-90%的功能，最后要求高的話，不管哪種方案都需要再檢查一遍；要求不高的話直接識別完就用，也沒有問題。

另外，剛才有提到過，這款軟件也集成了FFmpeg，如果要打硬字幕的話，也可以直接一起生成。在字幕樣式里，可以設置主副字幕的樣子，不過目前的款式比剪映少一些，像整個字幕背景用矩形填充，以及透明度這些選項暫時還沒有，但也夠用了。

最后輸出的效果還不錯，截圖如上。對于軟件內打硬字幕，目前沒有提供編碼方式和質量選項，下一個Release應該會加上。Github上也有其他作者修改的分支，已經加上了這個功能，這就是開源軟件的好處。或者導出字幕，自己用其他軟件合成也沒有問題，就看每個人的工作流和需求了。

今天的分享先到這里。文章僅為拋磚引玉，這個免費開源本地工作的方案是目前我發(fā)現的最好用的。如果小伙伴有發(fā)現更好的“文稿匹配”功能的替代方案，也歡迎一起分享。

感謝大家的觀看，點贊和關注，我們下期再見。