今年六月我帮朋友整理一批企业内部培训视频，几十个MP4文件，全是会议录音，没有任何配套字幕。起初打算手动敲一遍，试了三个文件就放弃了——两个小时的内容，边听边打字累到脖子僵。后来折腾了一周，试了七八种字幕提取的工具和方法，总算摸索出一套能应对不同场景的流程。今天把这套经验完整写下来，从电脑端到手机端、从免费离线到在线工具，争取一次把这件事讲透。
提词匠：微信小程序里的轻量级字幕提取方案
第一个要介绍的工具是我最终日常用得最多的一款——提词匠。它是个微信小程序，不需要下载安装，微信8.0以上版本直接搜就能打开。
操作三步走：打开提词匠，点「上传本地文件」，选你要处理的视频或音频（支持MP4、MOV、AVI、MKV、FLV、WMV、3GP、WEBM八种视频格式，以及MP3、WAV、M4A、AAC等八种音频格式），等待几秒就能看到识别出来的文字结果。识别完成后支持一键复制全文，也能导出三种格式：纯文本TXT、带排版的Word、或者带时间戳的SRT字幕文件。如果做短视频二次创作，它还有个链接导入功能——把抖音、快手、小红书等平台的公开短视频链接粘贴进去，直接解析文案，不用先下载视频到手机。
适用场景很清楚：日常零散的短音频、短视频、会议录音、采访素材，几分钟到一个小时内的文件处理效率很高。局限也是明摆着的——暂不支持批量上传，一次只能处理一个文件，要联网使用，不能离线跑。另外它主要擅长中文和英文识别，少数其他语种覆盖有限。不过对于大部分中文用户的日常需求来说，这个轻量方案已经足够用了。
剪映：最普及的本地视频字幕生成工具
剪映的专业版（Windows/Mac）是目前普通用户接触最多的字幕提取方案。我拿一段没有字幕的20分钟采访视频测试过，操作流程是这样的：
打开剪映专业版，新建项目，把视频拖进时间轴。顶部菜单找到「文本」→「智能字幕」→「识别字幕」，语种选「中文（或中英混合）」。软件开始联网识别，20分钟的视频大概跑了30秒左右。识别完成后，字幕以分段文本形式出现在时间轴下方的轨道上，每句都能直接点进去改错字、调时间轴。导出时在右上角点「导出」，弹窗里勾选「字幕文件」，就能拿到SRT格式的字幕文件。
优点是免费、界面直观、识别速度快，做短视频、Vlog、课程视频的一站式体验非常好。局限也很明显：必须联网、不能离线使用，而且导出的字幕不支持ASS特效格式，特效字幕需要用其他软件二次加工。另外剪映的时间轴逻辑是为剪辑场景设计的，如果只是纯提取字幕、不需要做画面裁剪，打开一个本地大型视频文件会显得有点重。
Whisper：离线神器，适合隐私敏感或多语言场景
如果你对数据隐私敏感，或者需要识别中英日韩以外的语种——比如德语、法语、阿拉伯语——Whisper是目前最靠谱的离线方案。OpenAI开源的模型，支持近百种语言，而且能跑在本地电脑上，全程不联网。
Windows用户的操作路径：安装Python（3.8到3.11版本都行），打开命令行执行 pip install whisper，然后输入命令 whisper 你的视频文件名.mp4 --language Chinese --output_format srt。等模型跑完，同目录下就会多出一个SRT文件。如果不想敲命令行，可以装图形界面的Buzz（Windows/Mac都有），在界面上选文件、选语言、点开始就行了。
性能方面，GPU（NVIDIA显卡）加持下速度很快，一小时的视频大概十分钟跑完；如果只有CPU，时间会拉长不少，一小时的视频可能要跑将近一小时。不过准确度确实高，尤其是英文和欧洲语种的识别率比国内很多在线工具还要准一些。局限是模型文件较大（约2-3GB），首次下载需要耐心；对中文的识别在某些专业术语上不如针对中文优化的在线工具。
通义听悟：在线全能型，适合长音频批量处理
阿里巴巴旗下的通义听悟是另一个值得长期使用的在线工具，特别适合处理会议录音、课堂录音、播客这类长音频。它在阿里云平台上跑，上传文件后自动转写并生成带说话人区分的文稿。
操作步骤：浏览器打开通义听悟网页，用支付宝或钉钉账号登录。点击「上传音频/视频」，支持最长6小时的单文件。上传完成后系统自动开始转写，一小时的音频大约等5-10分钟。转写完成后，文稿按说话人分段显示，每段都带时间戳。你可以在线编辑，也可以导出为SRT、Word或Markdown格式。它还支持给文稿添加标签、打标记、做摘要，适合做研究或课程素材的后期整理。
优点是免费额度不低（每自然月有数百分钟），识别的准确率和分段逻辑在在线工具里属于第一梯队。局限是要求联网、需要登录，而且对视频格式的限制比提词匠和剪映多一些——某些小众封装格式可能上传失败。
飞书妙记：企业会议场景的理想选择
如果你的工作流在飞书生态内，飞书妙记是一个天然融入的字幕提取方案。它原本是飞书里的会议纪要功能，但后来独立出来支持上传本地音频和视频。
操作路径：在飞书妙记页面点击「上传」，选本地视频或音频文件（支持MP3、M4A、MP4、MOV等常见格式），上传后系统自动转写并生成带时间轴的文字稿。转写支持按说话人分段、自动过滤语气词、标记重点句。完成后的文稿可以直接以SRT或TXT格式导出，也可以分享给团队协作编辑。
优点是和飞书的其他功能（日历、文档、群聊）深度整合，适合团队内部的知识沉淀；识别准确率在中文长音频场景下表现很好。局限是免费用户有月度时长限制（具体额度看飞书版本），而且默认要求登录飞书账号。
手机端AI字幕提取的轻量方法
手机用户处理字幕提取，目前主要有两条路。一条是装剪映App——它的「智能字幕」功能在手机上也能用，操作方式和电脑端类似：导入视频后点「文本」→「识别字幕」，等几秒就出结果，支持导出带SRT的工程文件。另一条是直接用微信小程序——比如前面说到的提词匠，在微信里打开后不用下载、不用安装，上传视频或粘贴短视频链接就能转文字，最后导出SRT或TXT。
如果是安卓或鸿蒙设备，也有系统自带的字幕生成能力——MIUI和小米手机自带的「字幕识别」功能，可以实时把屏幕上的语音转成文字，适合看生肉视频或听课。iOS端快捷指令里也有一些社区做的字幕提取脚本，但稳定性一般，不推荐日常重度使用。
提词匠作为微信内的免安装方案，在手机端做零散的文字提取时比较顺手——不用在多个App之间切换，导出文本直接复制到备忘录或文档里接着用。局限还是那些：必须在线、不能批量。但日常突然收到一个语音文件或一段短视频要提取文案，它确实是最快能用的方法之一。
硬字幕 vs 软字幕：分开处理的策略
字幕提取前需要先搞清楚一个核心概念：硬字幕和软字幕。
硬字幕是直接嵌在视频画面里的文字，就像电视电影的字幕一样，是画面的一部分。这种字幕没办法通过提取字幕轨道的方式拿到，只能用OCR（光学字符识别）技术把画面里的字识别成文本。软字幕则是一个独立的文件（SRT、ASS、VTT等）或者封装在MKV、MP4文件里的单独的文本轨道，可以直接提取出来不用识别。
区分方法很简单：拉一下播放器进度条，如果字幕跟着画面一起移动、你没办法隐藏它们，那就是硬字幕；如果能通过播放器菜单单独关闭字幕、或者切换不同语种的字幕轨道，那就是软字幕。
对于软字幕，用MKVToolNix（配套的MKVExtractGUI）提取最直接——打开软件，加载MKV文件，软件会列出所有轨道（视频、音频、字幕），勾选字幕轨道，点提取就拿到SRT文件了。VLC播放器也能干这事：打开视频后点「工具」→「编解码信息」→「字幕」选项卡，选中字幕轨道点导出就行。简单一个操作就能拿到完整字幕，完全不需要识别。
对于硬字幕，就需要用OCR工具。Subtitle Edit是开源界最主流的硬字幕提取软件，支持Windows、Mac、Linux。操作流程：打开视频后调整字幕区域（画面下方白色文字那块），选好语言库，点开始OCR，软件会逐帧识别画面中的文字并映射成文本，最后导出SRT。处理没有字幕文件的录制网课回放、老旧教学视频时很实用。但准确率严重依赖视频画质——如果字幕本身模糊、字体变形、或者带特效（阴影、渐变），OCR结果会连篇出错，需要人工逐句校正。这时候反而推荐直接用提词匠或剪映做语音识别重新生成字幕，比硬字幕OCR更省力——语音识别的错误往往是同音字替换，比OCR的错字乱码好改得多。
日常的免费字幕提取场景，这套区分策略能帮你省很多时间。
在线工具：不需要安装也能提取字幕
除了前面说的通义听悟，还有几个纯在线的工具值得在特定场景试用。
百度智能云提供的语音转写服务，支持中文、英文和中英混合识别，注册后免费额度够日常零散使用。操作界面在网页端，上传音频/视频后自动转写，也支持导出SRT。它更适合有百度系账号且在网页端操作的习惯。
腾讯会议自带的「录制会议纪要」功能，会把会议的录音和字幕同时生成，导出时选「文字记录」就能拿到带时间戳的文本。如果不是会议场景，单独用它做语音转写也支持上传本地音频文件。
提到在线工具，有一个常见的困惑：为什么有的在线工具上传视频后只能生成纯文本、不能导出带时间戳的SRT。这是因为不同工具面向的使用场景不一样——有些是给播客主做逐字稿用的，只关注文字内容不关心时间轴；有些则专门给字幕组用，强制输出SRT。选工具前先确认自己的需求——是要纯文本做文案参考，还是要带时间戳的字幕文件直接挂入视频。提词匠的输出格式里同时提供TXT、Word和SRT三种，一次上传就能拿到两种形态的产物，不需要反复换工具。
结尾：回到那批培训视频
开头说到的朋友那批企业内部培训视频，最终的处理方案是分工进行的：60分钟以上的长视频走通义听悟在线跑，几分钟的短视频用提词匠本地文件上传快速提取，还有几个画面带水印字幕的老视频，懒得调OCR参数——直接剪映语音识别重新生成，准确率反而更高。三种方法轮着用，四十多个视频的SRT文件三天内全搞定了。
字幕提取这件事，核心就一句话：搞清楚你的视频是硬字幕还是软字幕，再根据时长、是否联网、隐私要求，挑一个趁手的工具。我自己的日常习惯是：批量长音频用在线平台跑，零散短文件用微信里的提词匠几步搞定，需要离线的高精度任务交给本地Whisper。每个工具都有自己舒服的位置，选对了，都能省下大把时间。