自动字幕
为视频生成、导出或烧录字幕
从视频中的讲话生成带时间轴的字幕。想直接显示在画面里，选择烧录；需要校对文字、调整时间或交给播放器加载，选择 SRT 或 VTT。字幕保留原讲话语言，这里不做翻译。
费用: 在可用的免费额度内使用。使用限制详见下方指南。
五步添加自动字幕
上传一个视频
点击上传视频以添加字幕或将文件拖入预览区。支持带音轨的 MP4、MOV、MKV、WebM、AVI、M4V、MPEG 和 OGV，每个文件最多 200 MB。其他工具中用过的视频可从上传文件选择。
设置讲话语言
字幕卡片的语言菜单默认使用自动，由模型识别视频中的语言。也可选择对应的语言代码。此工具只转写原语言，不把讲话译成另一种语言。
选择输出
输出中的烧录生成画面内带字幕的 MP4；SRT、VTT生成带时间戳的独立字幕文件，原视频保持不变。
调整样式
样式中的每行词数控制每条字幕的最大词数，适用于三种输出。烧录时还可设字体大小、文本颜色及顶部、居中、底部位置。预览示例显示颜色和位置。
生成并核对
点击 Generate captions，等待处理完成。烧录后的 MP4 可在预览中播放；核对人名、术语和字幕时间后点击下载。这个 MP4 也会加入上传文件，供其他视频工具使用。
烧录、SRT 与 VTT 怎么选
三种输出使用同一份转写，区别在于文字放在哪里，以及以后还能怎样修改。
烧录：文字成为画面的一部分
播放视频时就能看见字幕，包括默认静音播放的信息流。字幕不能单独关闭，也不能再作为文字编辑或翻译；整个视频会重新编码。
SRT：独立的字幕文本
文件包含编号、文字和 00:00:04,250 --> 00:00:06,900 这样的时间范围。先确认编辑器、播放器或上传页面接受 SRT。播放器支持独立字幕轨时，观看者可开关字幕。
VTT：网页播放器字幕
WebVTT 可由 HTML5 视频的 track 元素加载。文字与 SRT 相同，但文件以 WEBVTT 开头，时间戳用小数点而非逗号。
字幕设置与默认值
语言和每行词数影响所有输出；其余样式只用于烧录。
- 语言
- 默认使用自动识别语言。也可选择
en、de、es、fr、it、pt、ja、zh，分别代表英语、德语、西班牙语、法语、意大利语、葡萄牙语、日语、中文。中文讲话可选zh。其他语言或不确定时使用自动。 - 输出
- 烧录为默认值，也可选 SRT 或 VTT。上面的对比说明各自用途。
- 字体大小
- 10–72，默认 20。这不是像素数，而是按视频高度缩放的字号；同一数值在不同分辨率下保持相同的相对大小。下方有尺寸示例。
- 每行词数
- 2–16，默认 8。它限制的是每条字幕的词数，一条字幕仍可能自动换行。较长字幕拆成多条，按词数分配时间。中日文通常不用空格分词，模型依据此设置组织字幕，实际长度变化更大。
- 文本
- 字幕文字颜色，默认白色
#ffffff。烧录视频使用所选颜色。 - 背景与背景透明度
- 文字背后的色块默认黑色
#000000；背景透明度范围 0–100%，默认 70%。这个数值实际表示不透明度：越低越能透出画面，越高越实。烧录使用所选颜色和数值。 - 顶部、居中、底部
- 字幕在水平方向居中，分别放在画面上方、中央或下方，默认底部。下方已有姓名、价格等文字时，可改为顶部。
横屏与竖屏的字号
字号相对于画面高度计算。默认 20 的文字行约占高度的 7%：1280 × 720 px 视频约 50 px，1920 × 1080 px 约 75 px，1080 × 1920 px 竖屏约 133 px。
横屏可以从默认值开始。竖屏示例中，字号 20 配合每条 8 个英文词会换成三行，遮住下方较大区域。竖屏可先试字号 12–14、每条 4–5 词；中文还需查看实际分段和换行。
预览示例按视频比例显示，可在点击 Generate captions 前判断字号与换行。
识别与烧录如何处理视频
FFmpeg 先提取 16 kHz 单声道 WAV 音频，再把这份音频发送到 Google Gemini API，获取文字及开始、结束时间。视频画面不发送给该服务。
时间戳由模型估计，并非逐帧精确对齐。工具将字幕限制在视频时长内，缩短重叠字幕，并按每行词数拆分长句。人名可能识别错误，响亮配乐可能掩盖讲话，字幕也可能略早或略晚。
烧录时，FFmpeg 将文字绘入画面，重新编码为 H.264、CRF 22 的 MP4，音频为 AAC 192 kbps。分辨率和帧率保持原值，但细节可能有所损失。输出为 8 位 H.264，包括 10 位 HDR 来源；请对照原片检查颜色、亮度，结果取决于来源的 HDR 特性。
格式、限制与文件保存
- 输入格式
- 带音轨的 MP4、MOV、MKV、WebM、AVI、M4V、MPEG/MPG、OGV
- 输出格式
- 烧录：MP4，H.264 视频与 AAC 音频；SRT 或 VTT：字幕文本文件
- 文件名
- 上传
interview.mov后，输出为interview_captioned.mp4、interview.srt或interview.vtt - 文件大小上限
- 每个视频 200 MB
- 每次处理
- 1 个视频
- 处理方式
- 服务器上的 FFmpeg；任务最多 15 分钟，包含转写和烧录
- 语音识别
- 提取的音频发送到 Google Gemini API，画面不发送
- 水印
- 不添加水印
- 保存期限
- 访客上传和结果在 48 小时后自动删除；免费账户为 30 天，付费方案可保存更久
自动字幕常见问题
可以免费生成字幕吗？
可以，无需账户或积分，烧录视频不加水印。每天和每小时仍有使用限制，额度取决于登录状态及方案。
能把字幕翻译成另一种语言吗？
这里只生成原讲话语言的字幕。视频转字幕可生成 SRT、VTT，翻译字幕、修改文字与时间，再烧录到视频中。
为什么字幕有错字或不同步？
文字和时间都来自语音模型。背景音乐、多人同时讲话、较重口音、生僻人名可能导致错误；语言选错也会影响识别。需修改单条字幕时，导出 SRT 后用文本编辑器修改；每条包含编号、时间范围和文字。
整个视频都会发送给 AI 服务吗？
不会。只有提取的音轨发送到 Google Gemini API，画面留在服务器。上传和结果按保存期限自动删除：访客 48 小时，免费账户 30 天。
为什么生成失败？
视频没有音轨，或音频只有音乐等、没有可辨认讲话时，无法生成字幕，会提示未检测到讲话。长视频也可能超过 15 分钟任务上限。可用剪切视频保留需要的片段再处理。
为什么字幕 MP4 的文件大小变了？
烧录会重新编码视频和音频，结果可能变大或变小，取决于原片内容、编码及码率。请比较实际文件大小；压缩视频可调整结果的压缩设置。