你想把字幕能力接进自己的流程，又不想按分钟付费、不想把音视频传到别人服务器，于是去 GitHub 搜 ai subtitle，翻出来几十个仓库：有的只有论文代码没有推理脚本，有的模型权重和代码分开授权，有的装完发现只认英文。这篇不列具体仓库名单，给你一套筛项目的顺序和判断口径，让你半小时内把候选压到两三个。
你想把字幕能力接进自己的流程，又不想按分钟付费、不想把音视频传到别人服务器，于是去 GitHub 搜 ai subtitle，翻出来几十个仓库。麻烦的是这些仓库长得都挺像：有的只有论文代码没有推理脚本，有的模型权重和代码分开授权，有的装完发现只认英文，还有的压根不是字幕工具、只是个转写库。
这篇不列具体仓库名单，给你一套筛项目的顺序和判断口径。按下面四步走，半小时内基本能把候选压到两三个，剩下的时间花在真跑一遍上，而不是在收藏夹里堆仓库。
先看它吃什么输入、吐什么格式
第一步不是看 star 数，是对着自己的素材列一张对照表。输入侧要分清是音视频文件、麦克风流还是纯音频；输出侧要分清是 SRT、VTT、ASS，还是带词级时间戳的 JSON。这张表列完，一半仓库可以直接划掉，因为它们的输入输出跟你对不上。
| 判断项 | 看哪里 | 对不上会怎样 |
|---|---|---|
| 输入类型 | README 的使用示例、CLI 参数 | 要自己写拆流和转码脚本 |
| 输出格式 | 输出样例、保存函数 | 拿到文本还得自己对齐时间轴 |
| 词级时间戳 | 输出结构里有没有 word 字段 | 做卡拉OK或精修剪辑会很难受 |
| 说话人分离 | 是否内置 diarization | 多人对谈后期要人工切人，返工很重 |
- 把「能转写」和「能出字幕」当两件事，只给文本的项目等于只做完一半；
- 确认有没有说话人分离，多人会议、访谈、播客素材没有它就是灾难；
- 看输出能不能直接落地成文件，只能打印到终端的项目要自己补一层；
- 对照 /ai-nav/category/ai-video-edit 里同类工具的归类方式，别把一个转写库当成完整字幕方案。
语言覆盖与识别质量的判断口径
README 里的模型卡会列语种，但列出来的语种数和实际表现是两回事。中英混说、方言、专业术语是最容易掉分的三个地方，演示音频永远听不出问题，你自己的素材一跑就露馅。所以这一步的核心动作只有一个：拿一段自己的真实素材跑一遍。
- 标点恢复
- 中文字幕没标点基本没法直接交付，看输出里有没有句读
- 断句
- 按字数硬切和按语义切，观感差别很大，看有没有可调参数
- 热词表
- 能不能挂自定义词表或术语表，不能挂就只能人工校对
- 语种切换
- 中英混说时会不会串语种，这个只能实测
站内 /ai-nav/category/ai-voice 有语音转写方案的横向入口，可以拿来对照哪些能力是行业通例、哪些是某个项目独有。凡是「独有」的能力，都要多问一句：是它自己做得好，还是只是别家没写进 README。
部署门槛与跑起来的真实成本
到这一步候选通常只剩几个了，接下来分清它们属于哪一类。纯推理脚本、带 Web UI 的一键包、要做服务化的工程框架，这三类的落地工作量差好几倍，选错会白搭几天。没有独显的话，优先找量化版或小模型路线，别硬啃需要大显存的仓库。
- 先看容器化程度有官方 Dockerfile 的项目省掉大半环境折腾；没有的话，先估一下自己愿不愿意手动对依赖版本，不愿意就换一个。
- 本机跑通单条素材用最短的一段素材跑通全流程，记录占多少显存、花多长时间，这个数字比任何说明文档都准。
- 再决定本机还是租卡本机扛不住就租卡，租卡单价去 /compute/price-index 对当时的行情，别凭印象判断贵不贵。
- 最后才考虑并发单条跑通之后再想批处理和并发，一上来就上服务化，环境问题会把判断力耗光。
成本这块不要只看卡时，还要看你要花多少人工。一个装起来要折腾两天的项目，和一个开箱能跑但效果差一点的项目，哪个更划算取决于你的时间值多少钱，这个账只能你自己算。
授权边界与成品能不能交付
这是最容易被跳过、出事又最麻烦的一节。代码授权和模型权重授权是两件事，宽松的代码协议不代表权重也能随便商用，两条都得单独读一遍原文。训练数据来源有没有声明，也直接影响你在正式项目里敢不敢用。
| 要确认的点 | 为什么 | 不确定时怎么办 |
|---|---|---|
| 代码协议 | 决定你能不能改、能不能闭源 | 只做内部工具，不外发 |
| 权重协议 | 决定产出能不能商用 | 退回内部使用 |
| 训练数据声明 | 来源不清风险偏高 | 不用于对外交付 |
| 输出物限制 | 有没有水印、署名的要求 | 接商单前先过一遍原文 |
授权相关的通用判断口径可以对照 /safety 与站内合规词条，但具体条款仍以项目仓库原文为准，别拿二手解读当依据。凡是让你「感觉应该没问题」的条款，都按有问题处理。
能跑通不等于能用，能用不等于能交付，这三关是分开的。下一步把筛剩下的项目丢进真实素材跑一轮，再对着站内的工具目录比一遍分类和适用场景，动手前先确认它属于哪一类工具。→
常见问题
搜出来的项目为什么大多装不上？
常见就三类原因：仓库只有训练代码没有推理入口、依赖锁死某个旧版本的深度学习框架、模型权重需要额外申请或单独下载。安装前先翻 issues 里最近三个月的报错帖，如果全是装环境的求助且没人回，直接跳过。环境依赖越少、容器化越完整的项目，越值得先试。
本地跑和用在线服务，字幕这块怎么选？
素材涉密、量大、或者要接进自己的自动化流程，选自部署更合适，代价是显存和环境维护；素材零散、要求快出片、语言又杂，在线服务省心得多。中间路线是本地只做转写、样式和压制交给剪辑软件。先按一个月要处理多少小时素材估一下，再决定值不值得折腾部署。
开源字幕项目的识别效果能直接交付吗？
多数情况要留一道人工校对，尤其是人名、专有名词、数字和口音重的段落。判断标准是错字率能不能压到一眼扫过去不别扭：能，就只做抽检；不能，就全篇过一遍。想少返工，选支持自定义词表和标点恢复的项目，比事后逐条改省时间。
