场景：做视频加字幕（中文，不需要翻译），希望先自动出个字幕，然后人工校对
可接受付费，最好付给不会跑路的大厂
尝试过：
1. 本地跑 openai-whipser
- 本地跑 Python ，比较慢
- 识别中文的时候，时间戳只能精确到 1 秒，而不是 0.1 秒（明明识别日语的时候都可以精确到 0.1 秒），导致字幕展示时间不精确，不能用
2. 剪映字幕识别
- 需要剪映 SVIP ，每月有免费额度
- 断开的位置经常在一句话的中间，但我希望一个完整的意思作为一条字幕，需要后期人工修正时间轴
3. 腾讯云录音文件识别 https://cloud.tencent.com/document/product/1093/37823
- 单句太长，20 多秒中间没有任何断句，作为字幕不可行
 |
1
JensenQian 3 天前
飞书以前有免费额度的
最近不知道是不是限制了我记得 |
 |
2
timerring 3 天前  1
我在去年下半年做过一个直播录制识别字幕并压制的项目 https://github.com/timerring/bilive
我基本上试遍了市面上的字幕识别项目以及 api ，效果很难达到你说的既能精确到 0.1 秒（实际上精确到 0.1 秒作用也不大，除非你做的是某类型的说唱字幕，1 秒能输出若干字），又能准确识别断句，还能合理地将句子划分刚好合适，最后还是选择本地跑 openai 的 whisper ，其实很多时候没有 silver bullet ，但就 asr 任务来说，要方便就选剪映，要实惠就选本地跑 whisper ，至于其他云服务商例如腾讯云，讯飞，谷歌等等，则是既不实惠也不方便，效果也没差别。 |
 |
3
mumbler 3 天前
groq 刚刚开放了付费，whisper 飞一样的速度，还很便宜
|
 |
4
rekulas 3 天前
我之前搞过,基于开源语音识别+分词进行字幕生成, 纯中文下误差可以控制在 200ms 内, 用于视频生产服务, 后面空了整理个开源出来
|
 |
5
yeqizhang 3 天前 via Android
用 faster-whipser ，显卡好点就会快点
|
 |
6
coreJK 3 天前 via Android
可以试试 potplayer 的，有声字幕功能，满足你的场景，带字幕浏览器功能，可人工编辑导出（封装的 faster-whipser ），挺好用的
|
 |
7
Nosub 3 天前 via iPhone 1
看到熟悉的话题，说两句，无论腾讯云还是阿里云，都可以精确到词的 api 参数，如果你是程序员，写一个分词并不难，另外如果你是自己制作视频，不是做软件，用剪映旧版本，语音识别没有次数限制。
|
 |
9
shellus 3 天前
相对来说，剪映识别效果最好，人工修正必不可少的。
|
 |
10
heimoshuiyu 3 天前 1
> 本地跑 Python ，比较慢
使用 faster-whisper + 显卡 > 识别中文的时候，时间戳只能精确到 1 秒，而不是 0.1 秒（明明识别日语的时候都可以精确到 0.1 秒），导致字幕展示时间不精确，不能用 开启 word level timestamp ，默认是不开的 > 翻译 使用 https://heimoshuiyu.github.io/whisper-web/ 转录同时利用 GPT 翻译字幕 |
Select Language