OneAsr — 本地离线批量音视频转 SRT 字幕，Qwen3-ASR 加词级对齐，不上传云端

OneAsr 是一个开源的软件工具，在本地把音频和视频批量转成 SRT 或 TXT 字幕。它基于 Qwen3-ASR 加 ForcedAligner，Windows、Linux、macOS 都有包，转写和对齐全程在你机器上跑。作为一个开源软件，除了首次从 ModelScope 下载模型需要联网，之后完全离线。

场景痛点

给视频加字幕这件事，在线工具都一个德行：把音频传到人家服务器上，按分钟计费，转完时间轴还是整段整段的猜，对不上口型。更别扭的是录的是访谈、会议、内部素材，根本不放心传到云上。做视频处理的人都有这种矛盾：想要字幕准，又不想把素材交出去。

主要功能特点

完全本地：转写与对齐都在本机，下完模型可断网用
批量队列：一次丢多个文件，进度与阶段一目了然
时间轴可靠：ForcedAligner 词级对齐 + 智能断句，不是整段估时间
11 种语言：中文普通话、English、粤语、日本語、한국어、Français、Deutsch、Italiano、Español、Português、Русский（需手动指定，不自动检测）
双规格 ASR：0.6B（更快 / 省显存）· 1.7B（更准 / 更吃资源）
输出可选：SRT / TXT 可同时选，默认与视频同目录
简繁可选：原文 / 简体 / 繁体（仅中文、粤语生效，不影响时间轴）
人声分离（可选）：内置 HTDemucs v4，带 BGM / 噪声时先压掉背景音
GPU 加速：NVIDIA / AMD / Intel / Mac M 芯片；无独显自动走 CPU

本地离线，不上传云端

转写和对齐都在本机完成，模型下好之后拔网线照样跑。访谈、会议、内部培训这类不能外传的素材，终于可以安心理直气壮地跑字幕。这种把本地AI模型真正跑在自己机器上的做法，比把音频丢给云 API 踏实。

词级对齐，时间轴准

不是整段猜时间，而是 ForcedAligner 做词级对齐，再智能断句。字幕和口型对得上，不用你在时间轴上手动拉半天。这一点是它和那些「整段一句话扔进去、给个大概时间」的在线工具最大的差别。

批量队列，丢进去就不管

一次拖一堆文件进来，进度和当前阶段始终可见。转写长片、批量处理课程录像、播客切片段，都不用守在旁边。作为桌面软件，它把「一次转一条」做成了队列。

11 种语言，中英繁简可选

支持中文普通话、粤语、英语、日语、韩语、法、德、意、西、葡、俄 11 种源语言（手动指定，不自动检测）。中文和粤语还能选原始字形、简体、繁体。做自媒体切多语言版本的人，这个覆盖够用。

人声分离，压着 BGM 也能转

内置 HTDemucs v4，转写前先把背景音和人声拆开。背景音乐吵、环境噪音大的素材，开了人声分离再转，准确率明显上一个台阶。

双模型尺寸，GPU 自动加速

Qwen3-ASR 有 0.6B（快、显存小）和 1.7B（准、吃资源）两档；NVIDIA、AMD、Intel、Apple Silicon 都能 GPU 加速，没独显自动退到 CPU。ffmpeg 已经打包进每个 release，不用自己配。在跨平台应用这条线上，Windows、macOS Apple Silicon、Linux 都有安装包。

简易使用教程

在实用软件里，它属于「装完下模型就能用」那一挂：

去 Release 页下对应平台的安装包或便携版（Windows 有 Installer 和 Portable，Linux 有 .deb 和 tar.gz，macOS 是 DMG）。
首次打开进 Settings，下载 ASR 模型（推荐先 0.6B）和 ForcedAligner（必装），模型从 ModelScope 断点续传。
选源语言（粤语记得选「粤语」，别选成普通话），拖音视频文件进队列，点开始。
输出默认 SRT 和 TXT，存在视频同目录下；中文字形可选原始/简体/繁体。
命令行党用 oneasr-cli transcribe –input video.mp4 –language zh –output out.srt。

安装包不含权重，首次在设置里从 ModelScope 下载（可断点续传）：

组件	约体积	说明
Qwen3-ASR-0.6B-hf	~1.6 GB	默认推荐
Qwen3-ASR-1.7B-hf	~4.1 GB	更高精度
Qwen3-ForcedAligner-0.6B-hf	~1.8 GB	必需，所有 ASR 共用
HTDemucs v4 人声权重	~84 MB	可选

个人使用感受

我用下来最直接的感受是「终于不用把素材传出去了」。以前转访谈视频字幕，要么用云 API 按分钟付费，要么用开源方案但要配 Python 环境；OneAsr 装好、下个模型，拖文件进去就跑，词级对齐出来的时间轴比我手动拉的还准。人声分离这个功能也实用——我那个压着 BGM 的播客片段，开了分离之后识别错字率明显降下来。

也得说清它的门槛：模型不小（0.6B 约 1.6GB，加对齐器和人声模型总共 3.5–6GB），第一次下载要等；显存建议 4GB 以上跑 0.6B，没独显能跑但慢；语言要手动选，选错是最常见的失败原因；macOS 版未签名，首次打开要按说明放行。但如果你经常要给音视频加字幕、又受够了云 API 按分钟计费和上传素材的不踏实，这个把影音编辑流程整个搬到本地的开源工具，值得放进你的工具推荐清单，归在AI工具分类下。它没替你写文案，只是让你的音视频，终于能在不出这台电脑的前提下，得到一版时间轴对得上的字幕。

官方网站

GitHub https://github.com/eclipse005/OneAsr

下载地址

https://pan.quark.cn/s/62a00ee8bb66

https://www.guangyapan.com/s/1954753666950606897_aeWhI5wocgzRgCO6 （光鸭新用户注册福利：永久免费空间：所有新用户注册即可解锁 2TB 永久免费存储空间，无需额外任务或付费）

OneAsr — 本地离线批量音视频转 SRT 字幕，Qwen3-ASR 加词级对齐，不上传云端

场景痛点