视频转字幕：语音识别生成 SRT 的完整链路
课程录像要加字幕、访谈素材要出文稿、vlog 要发静音也能看的版本——这些需求的共同起点是"从视频里的语音生成字幕"。浏览器本地语音识别（Whisper）让这件事不必上传任何一个字节，链路分三段：识别前的准备、生成、校对。
两条产出路线
字幕路线：生成带时间轴的字幕文件（SRT/VTT），逐行对应画面，用于给视频配字幕或发布平台挂载。文稿路线：输出纯文本，用于整理笔记、归档检索、二次创作。同一个识别引擎，两种输出形态——先明确要哪条，校对重点不同（字幕看断句，文稿看通顺）。
两个工具对应两条路线：自动生成字幕（出 SRT/VTT）与视频转文字（出文稿），本地处理，视频文件直接可用（引擎内部先提取音轨）。
识别前的准备：音轨质量决定一切
识别准确率的头号变量是音轨质量：人声清晰、音量适中、底噪低的音频，准确率可达九成以上；嘈杂环境、人声重叠、音乐盖过人声的素材，准确率断崖下降。识别前先检查源音频：能降噪的先降噪（降噪会损失部分音质，但识别收益大于音质损失）、音量过小的先拉响度。
视频本身不是问题——引擎只听音轨。但混音里人声占比低的（MV、带大段 BGM 的 vlog），识别效果天然弱于口播类内容，预期要先摆正。
生成：时长与过程预期
本地识别速度与设备性能相关：现代笔记本处理一小时音频通常在几分钟到十几分钟量级（多线程设备更快），全程浏览器本地完成、视频不上传。长视频建议按章节分段处理——单段超长（两小时以上）的内存占用与出错重试成本都高。
生成过程无需值守：发起后等结果即可，进度条到头下载字幕文件。
校对：专有名词与断句
生成结果的必查三处：专有名词（人名、品牌、术语——识别引擎对生僻专名最弱，逐个替换）、标点与断句（自动断句偶尔把一句话切在奇怪的点，按语义手工调整）、数字与单位（"三十分钟"与"30 分钟"的一致性）。文稿路线额外看通顺与口语化清理。
校对的省力技巧：先只校对字幕里"会被看见"的部分——字幕是观众直接阅读的内容，准确率要求高于文稿；文稿可放低到"语义可读"。
格式选择与挂载方式
字幕格式：SRT 最通用（播放器、平台、剪辑软件全认）、VTT 面向网页播放器、ASS 支持样式（字体、位置、特效）——格式差异与兼容性在字幕格式对比专题里有完整展开。拿不准就 SRT。
挂载方式两分：软字幕（字幕文件与视频一起交付，播放器加载，可开关）与硬字幕（烧进画面，任何环境都能看）——两种方式的取舍在加字幕的方式专题里有展开。平台发布通常直接上传 SRT 由平台挂载。
本地识别的隐私优势
访谈素材、内部培训、医疗法律内容——这类视频的语音往往敏感，云端识别等于把内容上传第三方。本地识别（Whisper 在浏览器内运行）全程视频不出设备，对隐私敏感场景是结构性优势。识别与校对的完整工作流建成后，字幕产出成本从"外包按分钟计费"降到"本地电费"。