字幕生成说明

从视频声音到双语字幕

字幕生成执行的是自动语音识别（ASR），也称语音转文本（STT）。它将视频中的说话声转换成文字，并添加时间戳，让每行字幕在对应的视频位置出现。

翻译是单独的操作，处理的是已有字幕文字，需要其他语言时再发起。如果视频已有可读取的文字字幕，可以直接浏览、编辑和翻译。

从找到入口、准备语音模型开始，了解如何生成和编辑字幕，再按需翻译，选择原文、译文或双语播放。

在哪里开始

点击视频显示播放控件，再点击顶部的字幕气泡按钮。打开的面板中有“设置”“字幕”和“生成”三个标签。

有可用字幕时，面板通常先显示“字幕”页；没有字幕时，先显示“生成”页。你可以随时切换标签。

“设置 → 功能 → 字幕生成”提供模型管理和翻译管理入口。

播放本地视频，打开字幕生成入口，在模型管理中准备语音模型，再按需选择模型、语言和音轨。完成后可检查结果、修改文字与时间，并导出 SRT 副本。

首次准备模型需要时间和存储空间，处理速度取决于设备、模型和视频长度。使用前请检查识别结果。

入口：播放器顶部“字幕”按钮 → “生成”。“设置 → 功能 → 字幕生成”提供模型管理和翻译管理。

下载与选择语音识别模型

首次转录前，需要在“模型管理”中下载 ASR 模型。下载会使用网络流量并占用设备存储空间；模型准备完成后，语音识别在本机执行。

同系列中，较大的模型通常有更好的识别能力，但也需要更多存储、运行内存和处理时间。实际效果还取决于语言、音质和设备。

Whisper 模型

Whisper 多语言模型支持自动检测说话语言，也可以手动指定语言。英语专用版本只适合英语音频。

Parakeet 模型

当前 Parakeet 模型会自动识别其支持的欧洲语言，不支持中文、日文或韩文；这些语言请选择合适的 Whisper 多语言模型。

可以参考“模型管理”中的设备建议和短音频测试来选择模型。测试速度仅供参考，不能代表每段视频的实际处理时间。

语音识别模型负责将声音变成文字，Apple 翻译语言资源负责翻译已有文字。两者是不同的下载内容，不能互相替代。

开始生成与查看进度

在“生成”页选择已下载的模型和识别语言。视频有多条音轨时，选择包含所需对白的音轨，再开始生成。

“识别语言”指视频中的说话语言；“目标语言”在后续翻译字幕时选择。

任务可能先排队，再进入处理阶段。可以查看当前阶段、进度和预计剩余时间，也可以暂停、继续，或在失败后重试。

后台执行受 iOS 限制。任务中断后，可以重新打开并从已保存的进度继续。处理较长视频时，尽量让应用保持在前台。

转录完成后，GPlayer 通常会保存与视频同名的 SRT 文件，并自动加载到播放器。打开“字幕”页即可检查结果。

字幕以独立文件的形式加载到播放器。生成字幕不会将文字写入视频画面，也不会改写原视频。

浏览、校对与编辑字幕

点击字幕行可以跳到对应的视频位置。当前播放行会高亮显示，方便反复听取对白并校对文字。

可以修改字幕原文；已有译文时，也可以同时修改译文。开始和结束时间支持精确到毫秒的调整。

时间加减按钮每次调整 0.1 秒，长按可以连续调整。结束时间应晚于开始时间，并处于视频时长范围内。

关闭编辑器，或切换到上一条、下一条时，会自动保存修改并更新播放器字幕。保存失败时，请按提示重试后再离开。

进入多选状态后，点击需要处理的字幕行，即可翻译、删除或合并。可以使用“全选”或“取消全选”快速调整选择。合并要求选中至少两条连续字幕。

选择原文、译文或双语显示

在“字幕”页的显示菜单中选择“原文”“译文”或“双语”。双语模式中，原文在上，译文在下。

“关闭”只隐藏视频画面上的字幕，字幕列表仍可浏览。只翻译了部分行时，尚未翻译的字幕行会继续显示原文。

常见问题与改善效果

为什么无法开始生成？

检查合适的模型是否已下载完成、本地视频是否可以访问，以及所选音轨是否有声音。远程文件应先下载到设备。

为什么有些文字识别不准确？

检查说话语言、模型支持的语言范围和所选音轨。噪声、背景音乐和多人同时说话会影响识别。可以尝试更大的适用模型，并在编辑器中修正剩余错误。

为什么处理较慢？

较长的视频和较大的模型需要更多处理时间。设备性能、温度和低电量模式也会影响速度。剩余时间为估算值，可能随处理过程变化。

翻译失败时应检查什么？

使用 Apple 时，检查语言是否受支持以及语言资源是否已下载；使用 DeepL 时，检查 API key、套餐和额度；使用在线引擎时，检查网络连接。可以先运行“翻译测试”，再重试字幕翻译。

为什么字幕乱码或无法编辑？

检查字幕文件的文字编码，并选择支持该语言的字体。图像字幕无法直接按文字编辑或翻译；可以改为通过视频声音生成文字字幕。