用AI自动生成字幕怎么免费本地做

视频素材里有客户访谈、内部会议、还没发布的片子，传上去做字幕总有点不放心；真买云端额度，长片子一跑就是一笔钱。这篇讲清本地跑字幕的整条路：先看你的机器扛不扛得住，再按识别、断句、校对、导出四步走，每步给判断标准和排查顺序。跑不通、效果差、导出乱码这些情况也一并说清。

视频素材里有客户访谈、内部会议、还没发布的片子，传上去做字幕，心里总有点不踏实。云端按量计费，长片子跑一遍就是一筆开销，跑完想重来还得再花一次。本地跑字幕的好处很直接：素材不出本机，想跑几遍跑几遍，成本只在你自己的电费和机器时间上。

但本地这条路不是装个软件就完事。真正卡人的地方在识别之后——断句乱、人名错、时间轴偏，这些都得自己收拾。下面按识别、断句、校对、导出四步讲清楚，每步给判断标准和排查顺序，跑不通、效果差、导出乱码也一并说。

先判断本地这条路适不适合你

本地跑值不值，看三件事：片子多长、机器什么配置、音频干不干净。素材量大、机器一般、音频又嘈杂，本地跑起来可能比在线慢得多，这时候先用在线识别出个初稿，再拿回本地校对，反而更省时间。

适合本地

素材涉及隐私、片子较长、需要反复重跑、机器有独显或内存够用

建议先用在线

只做一两条短口播、机器很旧、音频噪底很重、只想快速看个大概

还要分清「识别」和「断句」是两件事。识别负责把声音转成字，断句负责按停顿和语义切行。本地工具往往识别能打，断句得单独配规则或词典，这一步不做，出来的字幕就是一大坨字。不确定自己属于哪类需求，可以先到 /ai-nav/category/ai-translate 这类目录把工具过一遍，再决定要不要自己搭环境。

选工具前先量机器，别装完才发现跑不动

动手前先确认有没有可用的加速卡。有独显的走加速推理，纯 CPU 也能跑，但速度差很多。判断标准很简单：先拿一段几十秒的干净音频试跑，看它花多久，再按倍数估算你的正片要等多久。别拿两小时的项目当第一个测试。

• 工具按两条线挑：带图形界面、适合不想敲命令的人；命令行脚本、适合批量处理几十条。
• 先想清楚你要处理的是几条还是几十条，批量场景下界面工具反而拖后腿。
• 装完先试跑一段自己录的短音频，确认模型能下载、能出声，再上正片。
• 本地跑大模型吃内存和显存，配置术语可以对照 /ai-dict/category/hardware 里的硬件页，别被宣传参数带偏。

识别只是初稿，校对才是成品

识别跑完出来的东西只能叫初稿，直接交付一定出问题。校对先抽查三类位置：人名和专有名词、数字与单位、同音词。这三处错得最多，也最容易被观众一眼看出来。想省时间就做替换词典，把常错的人名、术语、品牌词一次性加进去，比每次手动改快得多。

1. 过一遍断句按「一口气能念完」为准，一行别太长；标点跟着停顿补，读起来别扭的地方基本就是断句错了。
2. 核对专有名词把人名、公司名、产品名列一遍，逐个在时间轴上对，错的一并加进替换词典。
3. 检查数字与单位金额、日期、百分比、型号这些一律人工过，识别最容易在这里糊弄你。
4. 确认语种与字符集多语言片子要单独确认语种识别和字符集，中日英文混排最容易出乱码，导出前先看一小段。

什么时候可以少校对？只有一种情况：这条片子只是你自己看的草稿，不交付、不上线。只要是要给别人看的，上面几步一步都省不了。

导出这一步，决定客户能不能直接用

格式按用途选：要压进视频的用软字幕格式，要单独交付的用纯文本时间轴格式。交付前问清楚对方用什么剪辑软件，不同软件吃的字幕格式不一样，导错了对方打不开，你还得重导一遍。

• 核对时间轴偏移：整段统一偏移通常是帧率不一致导致的，先对一遍工程帧率再改字幕。
• 导出后必查四类行：首行、末行、最长的几行、含特殊符号的行，查完基本不会翻车。
• 交付前把隐私相关的中间文件清一遍，素材和字幕都别顺手传到网盘。
• 要长期保留的字幕文件统一命名规则，方便以后按项目找回来。

如果你还想对比在线方案的成本、各家工具当时的报价，别凭印象，到 /price-watch 看追踪到的数字，再决定哪条路更划算。