SRT 是一种纯文本字幕格式。每段字幕都包含序号、开始与结束时间，以及画面上要显示的文字。因为时间轴已经写在文件里，所以导入大多数剪辑软件或播放器后，不需要再逐句手动对齐。

开始前也不用自己把音轨从视频里分离出来。视频转文字工具可以直接读取视频中的声音，识别语音，并把带时间戳的结果导出为 SRT。

最快的操作流程

  1. 打开语音转文字，选择视频文件。
  2. 如果知道主要语言，直接选择它。自动检测很方便，但明确指定语言通常更利于识别短视频和人名。
  3. 开始转录，等待工具生成分段文本与时间戳。
  4. 对照原视频听一遍，重点修改姓名、数字和专业词。
  5. 选择 SRT 导出，再导入剪辑软件或播放器。

如果只想整理会议笔记，可以导出 TXT；如果文字需要和视频同步，就应该选择 SRT。

标准 SRT 长什么样

1
00:00:02,400 --> 00:00:05,200
欢迎观看这段简短的产品演示。

毫秒前使用英文逗号，两个时间之间使用箭头。你可以安全地修改字幕文字，但不要随意改变时间格式，否则剪辑软件可能无法识别。

自动字幕还需要做一次可读性校对

文字识别正确，不代表字幕一定好读。口语往往句子长、重复多，而观众还要同时看画面。校对时可以注意：

  • 过长的字幕在自然停顿处拆分。
  • 尽量不要把完整人名或一个短语拆到两条字幕里。
  • 只有在不改变原意时才删掉语气词。
  • 对照原内容检查产品名、缩写、日期和数字。
  • 换人说话前，让上一条字幕及时结束。

字幕整理不是改写演讲，而是让观众能按照说话速度轻松读完。

音频越清楚，字幕越准确

多人同时说话、背景音乐盖住人声、说话者离麦克风太远，都会明显影响识别。如果可以控制录制环境，尽量让麦克风靠近说话者，减少房间回声，并把背景音乐单独录制。处理已有视频时，优先使用最清晰的原文件，不要使用经过多次压缩的副本。

视频中如果混合了多种语言，可以选择占比最高的一种，并重点检查其他语言片段。即使整体录音很清楚，人名和行业术语也值得人工确认。

本地转录还是云端转录

本地模式直接在浏览器中运行，录音不离开设备，适合访谈、内部会议和未公开素材。云端模式更适合较长或环境复杂的录音，通常处理更快。两种模式后续的校对和 SRT 导出流程完全一致。

想进一步了解模型选择和时间戳，可以继续阅读如何把录音转成带时间轴的文字。

现在就把视频添加到语音转文字，校对带时间轴的结果并下载 SRT 字幕。