艾智语途工场 · 字幕生成器

1音频文件

支持 wav / mp3 / m4a 音频，以及 mp4 / mov / mkv 等视频（自动抽取音轨；视频上传成功后还会额外产出 MP3 供下载）。程序按句间静音自动打轴，TTS 合成音频（句间停顿清晰）效果最佳。

选了时长清单 / 参考 SRT 时无需选音频：时间轴直接继承清单，「生成字幕」秒级完成。可选：SRT 模式下同时上传合成时的同一条音频，「保存修改」时编辑过的字幕会自动吸附到真实语音气口，跨行搬移更精准。

时长清单（.json）/ 参考字幕（.srt），可选

推荐 SRT 模式：在「语音克隆」合成完成后下载字幕 (.srt) 上传到这里——时间轴 100% 原样继承（合成时实测踩点，与声音完全对齐），程序只做中文挂载和行长重排，长文本字幕请走此模式。英文文稿以 SRT 内容为准；粘贴中文翻译即可出双语字幕；再粘贴英文原稿（第 2 步）即启用段落锚点精准同步——中英逐段逐句锚定，30 分钟长文本一次性出稿不漂移，并附逐字覆盖率校验。
JSON 时长清单模式仍保留（「语音克隆」合成后下载 .json），适合需要按新文稿重排字幕的场景。

SRT 时间轴按音频收紧去首尾静音

在上面同时上传同一条音频后生效：把继承来的每条字幕首尾的静音收掉（只收紧、不外扩，单侧最多 1.2 秒），让英文真正贴着人声开口、收口，避免字幕比声音"多出一截"。取消勾选则完全保留原 SRT 时间轴。

高级选项（静音检测阈值）

静音阈值 (dB)：（值越大越灵敏，默认 -45 适合大部分 TTS 音频）

仅当使用「音频文件」+「未提供清单/SRT」+「未勾选 WhisperX」时生效。若检测不到语音，请降低阈值（如 -50）；若静音过多，请提高阈值（如 -40）。

WhisperX 词级精确对齐实测词级时间戳

勾选后跳过静音检测，直接调用 WhisperX 做 forced alignment——按词对齐（非重新识别），从根源消除段内比例估算误差，长文本零漂移。
前提：必须同时提供音频 + 对应语种文稿（英文模式给英文稿；中文模式给中文稿；双语模式请把英文和中文分框粘贴，不要混在同一个框里，程序会自动检测并分流，但手动分开更可靠）。首次调用约 20 秒（模型加载），之后 数秒内出结果。
与「时长清单 / 参考 SRT」互斥：上传清单/SRT 后该开关自动置灰。

AI 音频自动转写无需文稿

没有文稿也能出字幕：直接听写音频里的语音，生成带词级时间戳的 SRT。适合录课、访谈、已有成片补字幕。
⚠️ 听写的固有弱点：同音词、人名、课程名容易听错。做完请核对一遍专有名词再交付；页面会提示低置信度的词。
与「WhisperX 词级精确对齐」互斥——一个是"拿文稿锁时间轴"（最准），一个是"从音频听出文稿"（无稿可用）。两者都想要时：先用本模式转写，把结果当文稿，再用 WhisperX 模式跑一遍。
与「时长清单 / 参考 SRT」互斥：上传清单/SRT 后该开关自动置灰。

音频语种术语表（可选，逗号分隔，能显著提高人名/课程名识别率）

2英文文稿（朗读内容）

3中文文稿（字幕翻译，可选）

粘贴中文终稿后点「生成字幕」：系统以英文 SRT 为锚，把中文按语义精准分配到各行，英文与时间码一字不改、条数不增不减。

术语表（可选，每行一组「英文=中文」，提升中英锚定精度）

术语表的作用：让中英文本共享"数字/序数词/专名"等强特征，从而被 动态锚点发现 捕获，把中英对齐误差锁死在小区块内。强烈建议把课程名、人名、核心概念（3~20 条即可）列进来。

4字幕样式

语言位置起始偏移秒行长上限英 / 中

超长句自动按从句边界（英文优先逗号/连接词，中文优先顿号逗号）拆成多条字幕，保证一行英文一行中文、不压画面。位置样式写入 ASS 文件（烧录/精调用）；SRT 只含文字与时间轴，位置在剪映里批量设置。起始偏移用于音频在视频中不是从头开始的情况。

5下载与预览

「字幕」列可直接点击编辑修改（如调整措辞、删改文字），改完点「保存修改并刷新」即时生效（下载时也会自动应用）；保存时会以语音实测时间为基准自动重新对轴——句子移到哪一行，时间就跟着走；上传过音频的任务还会把每行起止吸附到真实语音气口（时间列同步刷新），剪映里基本无需再微调。

字幕生成器

1音频文件

2英文文稿（朗读内容）

3中文文稿（字幕翻译，可选）

4字幕样式

5下载与预览

请先登录