一句短对白被 Whisper 误写成几十秒时，字幕会一直挂在空白画面上——视频字幕生成器把这种「拖影」当成默认要处理的问题：它启用词级时间对齐，检查每条字幕的最大可读时长，超出就把显示结束时间截断。视频字幕生成器是面向个人创作者的 Windows 图形工具，用本地 Whisper 把视频或音频转成原声字幕，需要时再交给兼容 OpenAI 接口的大模型翻译，一次产出原声版、中外版和目标语言版三种 SRT。
整套流程跑在本机：转录走本地 Whisper，清理、质量检查和时间轴修复都是本地 Python 脚本，只有翻译这一步需要用户自己接入的 API，属于典型的本地AI 用法。项目基本由 Python 实现，Windows 下用 .vbs 脚本启动图形界面，属于开源 的开源软件，采用 GPL-3.0 许可证。发布包不含模型，Whisper-GPT 文件夹与 FFmpeg 需要用户自备，首次使用由图形化的环境配置助手指定路径。
场景痛点
给一批外语视频配字幕，通常要拆成三件事做：先用转录工具出原文字幕，再把文本整段丢给翻译服务，最后回到字幕软件里修时间轴。中间任何一步断了，前两步的产出基本白费——翻译请求超时一次，整批字幕就得重来；Whisper 把一句短对白拉成几十秒，画面已经切走，上一句字幕还赖在屏幕上。
另一头是参数。网课要保住专业术语和数字，动画片的口癖和喊叫不该被当成噪声滤掉，动作片里低声和无线电通话又必须留下。这些差别散在一次次试错里，能把它固定成可复用设置的 效率工具 并不好找。
核心功能
本地转录与三种字幕版本
媒体文件夹里的视频或音频由 FFmpeg / FFprobe 读取探测，交给本地 Whisper 转录，再经清理、质量检查和时间轴修复输出原声字幕。之后可按需要勾选三种 SRT：原声版 视频名_原声版.srt、中外版 视频名_中外版.srt，以及目标语言版（例如 视频名_中文版.srt）。中文视频只要原声版时不需要配置 API。这套 字幕工具 归档在 jamecling 的 影音编辑 分类下。
设备可选 auto、GPU、CPU 三档：默认优先 GPU（CUDA / float16），CUDA 不可用时自动改用 CPU int8；auto 在 GPU 失败后会弹窗并切到 CPU。性能模式对应各自的解码参数——均衡为 large-v3、beam 3、宽松 VAD；精确为 beam 5、关闭 VAD；快速为 beam 1、较积极 VAD。
内容预设与语言模式
内容预设针对六类素材做了参数特调：普通电影、动画片（加强口癖、拟声词、喊叫和语气词）、动作片（保留短促对白、低声、喘息和无线电通话）、NSFW、网课（侧重专业术语、数字、公式和完整论述）、互联网短视频（侧重快速口播、网络用语和中英混说）。字幕内容分「对白优先（过滤拟声词）」与「完整转录（包含语气声）」两种，前者会在写入原声版前删掉纯语气声、损坏字符和连续重复。
语言模式分两类。纯单语言适用于同一个文件夹基本只有一种语言，可直接指定中文、英语、日语等，或选「自动检测并整批锁定」——程序根据第一段确定语言，后续 30 分钟一段全部沿用。一句或一个视频里出现多种语言时选「中外文混合（不锁定语言）」，Whisper 用 multilingual 模式识别代码切换，分段缩短到 5 分钟并逐段重新检测。自动语言检测会先用 VAD 跳过开头空白，再综合最多 5 个有效语音窗口，低于 0.75 的结果不锁定。
时间轴防拖影
除词级时间对齐和最长可读时长截断外，程序还处理字幕提前出现：允许首句使用完整 30 秒解码窗口的真实时间位置、关闭跨长静音区的上一段文本继承、跳过可能的静音区幻觉字幕。该策略只在重新转录后生效，优先保证时间同步，极少数没把握的字幕可能被省略。已有原声版在重新翻译时会另外生成 _原声版_时间轴已修复.srt，不覆盖原文件。
翻译分段与断点续译
翻译走兼容 OpenAI 的通用接口，由用户自己接入模型，属于 AI工具 范畴的本地用法，配合 AI翻译 完成双语输出。默认每小时字幕作为一个上下文块上传，超过约 24000 字符会提前切块；并发范围 1–5（默认 3），超时默认 300 秒，可设 60–900。模型返回 JSON 不完整、ID 缺失或大分段超时，程序会自动二分后继续，最小可拆到单条；当小块只剩 10 条或更少仍失败时，立即整块用原文回填，日志列出降级的字幕序号。每个成功的小批次都会写入输出目录下的 .translation_cache 断点缓存，任务失败或重启后只补译缺失条目，缓存只有在原字幕、目标语言和模型都一致时才复用。
已有字幕与质量检查
发现已存在 视频名_原声版.srt 时不再运行 Whisper，改为询问是否重新翻译。旧版本的 视频名_字幕.srt 会自动转换为原声版。识别质量由程序自行把关：检查损坏字符、内容唯一率、异常重复和媒体时长覆盖率，不合格时不覆盖已有原声版、也不调用 API，而是存成 _质量不合格.srt 供人工检查。
文件整理与播放器适配
勾选整理后，字幕和转录文本直接写入输出目录中的视频同名文件夹，只有视频本身从输入目录复制一份过来，原始媒体不会被移动或删除。作为 实用软件，它在文件安全上的取舍很明确：宁可多占一份空间，也不动输入目录。生成中外版时程序会处理 PotPlayer 的双语显示限制：不足约 1.2 秒的连续短字幕合并或延长，过宽的双语句子按时间拆短。字幕统一采用 UTF-8 BOM，中日韩文本通常不会乱码。
安装与使用
详细的 使用教程 写在仓库的《使用文档》里，这里给出主线步骤。
前置条件
- Windows 图形环境，程序通过
.vbs脚本启动，不走命令行 - 自备 Whisper-GPT 文件夹（含
scripts\transcribe.py），发布包不含模型 - 自备 FFmpeg / FFprobe，可在配置助手中手动指定
ffmpeg.exe - 需要中外版或目标语言版时，准备一个兼容 OpenAI 接口的 API
安装与首次配置
- 双击
启动环境配置助手.vbs，或在主程序顶部点击「环境配置助手」。 - 依次确认项目目录、Whisper-GPT 文件夹、
venv\Scripts\python.exe、FFmpeg / FFprobe 路径。 - 按需填入中转站 Base URL 与 Key，测试
/models连通性；Key 不会写入项目配置文件。 - 点击「保存配置」，在程序目录生成
project_config.json。 - 双击
启动双语字幕工具.vbs开始使用。
启动失败时程序目录会生成 startup_error.log。保存路径与旧路径都失效时，启动脚本会尝试用系统 pyw -3 打开界面，此时应优先重新运行环境配置助手。
日常使用
- 选择媒体文件夹与输出文件夹，需要时勾选「扫描子文件夹」以保留原相对目录结构。
- 选内容预设、语言模式、字幕内容、设备与性能模式。
- 勾选要生成的字幕版本，至少选一个。
- 需要翻译时配置 API：Base URL 支持根地址、带版本地址或完整端点，接口格式默认「自动（优先 Responses）」。
- 点击开始，等待转录与翻译完成。
API Key 默认只保存在当前程序内存中；勾选「保存 Key（本机明文）」后写入 %LOCALAPPDATA%\WhisperBilingualSubtitleGUI\settings.json。
推荐配置
| 场景 | 推荐参数 |
| 普通单语言影片 | 纯单语言、普通电影、每段 60 分钟、并发 3 |
| 中英混合短视频 | 中外文混合、互联网短视频、每段 20–30 分钟、并发 3 |
| 需要保留语气声 | 纯单语言、NSFW、完整转录、每段 60 分钟、并发 2–3 |
| 出现 HTTP 429 | 并发降到 1 或 2 |
支持 MP4、MKV、AVI、MOV、WebM、MP3、WAV、M4A、AAC、FLAC、OGG、Opus 等格式。
我的使用感受
最实用的两处是断点续译和质量把关。翻译中断后重启只补译缺失条目，长视频不必从头再来；原声版质量不合格时程序宁可存成 _质量不合格.srt 也不覆盖、不调用 API，省掉一轮无效翻译。内容预设把网课、动画、动作片的参数差异摊成了可选项，比每次手动试参数省事。作为一份 工具推荐，它属于装上就得先花十分钟配环境的那类 软件工具，也够得上 GitHub精选 的标准。它只做字幕这一件事，不做剪辑；模型与 FFmpeg 要自备。
官方网站
https://github.com/cleverbo01/video-subtitle-generator
下载地址
https://pan.quark.cn/s/50b07ba78394
