我花了两周时间，把市面上能用的字幕方案全试了一遍。

大家好，我是小虎。

上周训练营有个学员跟我说，他的视频自动化链路全跑通了，脚本自动写、配音自动出、画面自动生成，但最后一步加字幕，怎么弄都丑，丑到他自己都不想发。

我一看他发的截图，好家伙，白色宋体小字贴在画面最底下，没描边没阴影没动画，活脱脱 2005 年盗版 DVD 的感觉。

我说你用的什么加的字幕？他说 FFmpeg，一条命令烧进去的。

我说那就对了。FFmpeg 能自动化，但它出来的字幕就是长这样。

这件事让我意识到一个问题。做短视频自动化的人，大部分把字幕当成了「加个 SRT 就完事」的简单环节。但真正卡住你的，不是识别准不准，是字幕长什么样。

识别这件事，2026 年早就不是问题了。百炼 FunASR 一小时才 0.13 元，edge-tts 配音还免费带时间戳，Whisper 本地跑完全不要钱。随便选一个都能打。

但识别出来的文字，怎么让它好看地出现在画面上？这才是真正的坑。

我花了两周时间，把市面上能用的字幕方案全试了一遍。今天把结果给你，5 款工具，逐个说清楚，最后告诉你我选哪个、为什么选、怎么搭。

这次对比的 5 款工具

先列出来，心里有个数。

1. 1.剪映（字节跳动）
2. 2.FFmpeg（开源命令行）
3. 3.妙幕 SmartSub（开源桌面工具）
4. 4.Remotion（开源代码渲染）
5. 5.ChatCut（第三方 Web 平台）

下面逐个说。每款我会讲清楚它是什么、怎么接入、字幕效果怎么样、能不能自动化、价格多少、适合谁。说完一个再说下一个，不跳着来。

剪映

剪映不用我多介绍了吧？字节跳动的，APP 下载量 1.2 亿，国内做短视频的人手机里基本都有。

它的字幕能力确实是开箱即用的天花板。你录一段视频或者导入一段音频，点「识别字幕」，几秒钟就出来了。中文普通话识别率号称 98.5%，我实测下来确实很高，日常说话基本不出错。

识别完以后，花字模板几百种。逐字弹跳、打字机效果、描边阴影、渐变背景条、霓虹发光，你见过的短视频上那些好看字幕，大部分就是剪映出的。点一下模板就套上去了，不用写任何东西。

还能做多语言翻译字幕，一键把中文翻成英文、日文，字幕直接替换。

价格方面，手机端基本免费，专业版有些高级花字模板要会员，但日常够用。

听起来完美对吧？但问题来了。

剪映没有 API。一个字都没有。

它的字幕能力锁在客户端里，只能手动操作。你没办法写一行代码让剪映自动给视频加花字。WorkBuddy 调不了它，n8n 调不了它，Python 调不了它，任何自动化框架都调不了它。

这意味着什么？你每天做 10 条视频，每条都要打开剪映，手动点识别字幕，手动选花字模板，手动调位置大小。10 条就是 10 次手动操作。做 100 条就是 100 次。

这不是自动化，这是半自动化的体力活。

而且剪映的工程文件是私有格式，你没法用代码批量修改字幕内容。想改一个字？打开剪映，找到那条视频，手动改。

所以剪映的定位很清楚。单条视频手动加字幕，效果最好，没有之一。但如果你想做批量、做流水线、做一人公司视频工厂，剪映帮不了你。

FFmpeg

FFmpeg 是开源的命令行音视频处理工具，做视频自动化的人基本都绕不开它。

字幕方面，它能做的事情很简单。你给它一个 SRT 或者 ASS 字幕文件，一条命令就能把字幕烧进视频画面里。完全命令行操作，能被任何脚本调用，自动化能力满分。

ffmpeg -i input.mp4 -vf "subtitles=subs.srt" output.mp4

就这一行，字幕就烧进去了。

但效果呢？默认是白色 Arial 字体，没有描边，没有阴影，没有背景，没有动画。贴在画面底部，小得跟蚂蚁似的。你看过那种盗版电影的字幕吗？就那个感觉。

能不能调？能。FFmpeg 支持 ASS 字幕格式，ASS 可以设置字体、字号、颜色、描边、阴影、位置，甚至简单的淡入淡出动画。但 ASS 的语法极其反人类，写一个带描边加阴影加居中加淡入的字幕样式，你得查半天文档，写一堆标签。

而且 ASS 的上限就在那了。逐字弹跳？做不到。当前词高亮？做不到。毛玻璃背景条？做不到。弹簧动画？想都别想。

价格方面，FFmpeg 完全免费，开源，本地运行，不联网。

所以 FFmpeg 的定位也很清楚。自动化能力满分，但渲染效果停在 2005 年。适合「有字幕就行，好不好看无所谓」的场景，比如内部培训视频、监控录像加时间戳这种。做获客短视频？你自己看了都不想发。

妙幕 SmartSub

妙幕是一个开源的桌面字幕工具，GitHub 上能找到，跨平台，Windows 和 Mac 都能用。

它做的事情比较完整。从音视频生成字幕、翻译、校对、到烧录，一条龙。支持批量处理，支持 GPU 加速。

最厉害的是它支持 6 种 ASR 引擎。whisper.cpp、faster-whisper、FunASR、Qwen3-ASR、FireRedASR、Whisper CLI，你本地装了哪个它就能调哪个。识别完以后可以在界面里校对修改，改完直接烧录。

字幕样式方面，比 FFmpeg 强不少。字体、大小、颜色、描边、阴影、位置都能调，还有样式预设。比纯 SRT 好看，但跟剪映的花字比还是差一截。没有逐字动画，没有弹跳效果，就是静态样式调得好一点。

烧录方式支持两种。硬字幕（直接烧进画面）和软字幕（封装成可开关的字幕轨道）。

价格完全免费，开源，本地运行，数据不出你的电脑。

但妙幕有个致命问题。它是 GUI 工具，图形界面的。你得用鼠标点，用眼睛看，手动操作。WorkBuddy 调不了它，脚本调不了它，自动化链路里塞不进去。

它适合什么场景？你有一批视频需要批量加字幕，但不需要全自动。比如你手动跑一下妙幕，它帮你批量识别加烧录，省得你一条一条在剪映里点。比纯手动快，但不是真正的自动化。

Remotion

Remotion 是一个开源框架，用 React 加 CSS 来写视频。听起来很疯狂对吧？用写网页的方式做视频。但 2026 年它已经非常成熟了，GitHub 上 star 数很高，社区活跃。

字幕方面，Remotion 的能力是降维打击级别的。因为字幕样式本质上就是 CSS，动画本质上就是 JavaScript。你能用 CSS 写出来的任何效果，Remotion 都能渲染成视频帧。

逐字弹入动画？spring 物理弹簧，几行代码。当前词金色高亮？条件渲染，一个 if 的事。毛玻璃背景条？backdrop-filter 一行 CSS。渐变描边？text-shadow 叠几层。打字机效果？逐帧控制显示字数。

上限不是工具决定的，是你的 CSS 水平决定的。而 CSS 这东西，比 ASS 字幕格式好学一百倍。

自动化方面，Remotion 本身就是代码，天然在自动化链路里。WorkBuddy 调它跟调任何一个 Node.js 脚本没有区别。ASR 出词级时间戳，喂给 Remotion 组件，组件按时间戳逐词渲染，最后输出 MP4。全程零手动。

价格完全免费，开源，本地渲染。唯一需要的是 Node.js 环境和一个 Chrome 浏览器（渲染用）。

缺点呢？有，说实话。

第一，你得会写一点 React 和 CSS。不是说要精通，但基本的组件概念、JSX 语法、CSS 属性你得知道。如果你连 HTML 都没碰过，上手会有学习曲线。不过话说回来，你在做视频自动化，说明你已经接受了「用代码代替手动」这个前提。

第二，首次配置需要装 Node.js、装 Remotion、配置 Chrome 路径。国内网络下载 Chromium 经常卡住，需要用本地 Chrome 绕过。我后面实操部分会讲怎么解决。

第三，渲染速度取决于你的电脑配置。一条 12 秒的 1080x1920 视频，我的电脑大概渲染 30 秒到 1 分钟。不算快，但能接受。

Remotion 的定位。自动化能力满分，渲染效果天花板，但有一定技术门槛。适合已经在用代码做视频自动化的人，字幕环节用 Remotion 补齐，整条链路就闭环了。

ChatCut

ChatCut 是一个第三方的 Web 端 AI 视频编辑器，公司叫 ChatCut Inc。，跟剪映没有任何关系。

它的思路比较新。你用自然语言跟它说话，它帮你剪视频。比如你说「把第三段删掉，加个字幕」，它就帮你做了。

字幕方面，它支持近 100 种语言的自动转录，能识别不同说话人，时间码精确到帧。导出格式包括 MP4、XML、SRT 字幕、Word 文档等。

它有一个开源的 Agent 插件（GitHub 上能找到），还提供了 MCP 接口，理论上 AI Agent 可以调用它。

但实际用下来，有几个问题。

第一，核心剪辑能力跑在它的云端，不是真正开源。插件只是调用入口，数据要过它的服务器。做获客视频的话，内容安全是个考量。

第二，字幕样式能力没有公开文档，不确定能不能自定义花字效果。从演示来看，字幕样式比较基础，没有剪映那种丰富的花字模板。

第三，价格没公开，需要联系商务。对个人创作者来说，这是个不确定因素。

ChatCut 的定位。思路很新，对话式剪辑是未来方向，但目前字幕能力不够成熟，价格不透明，数据过云端。适合尝鲜体验，不适合放进生产链路。

5 款工具推荐星数

说完了，给个总结。5 星满分。

说明一下这个评分逻辑。

剪映识别和渲染都是满分，但自动化能力是 1 星，因为完全没有 API。如果你只做单条视频，剪映是 5 星。但如果你要做批量、做流水线，它只能给 3 星。

FFmpeg 自动化满分，但渲染效果 1 星，识别能力 2 星（它本身不做识别，得配合其他 ASR 工具）。适合「有就行」的场景。

妙幕识别和渲染都还行，但自动化 2 星，因为是 GUI 工具。适合批量手动处理。

Remotion 五项全高，唯一扣在上手难度 4 星。但一旦学会了，就是字幕自动化的终局方案。

ChatCut 思路新但不够成熟，价格不透明，暂时观望。

我的选择是 Remotion。 理由很简单，做短视频获客自动化，字幕环节必须能进流水线，同时效果不能丑。同时满足这两个条件的，只有 Remotion。

怎么用 Remotion 搭字幕自动化

好，选型说完了，下面讲怎么搭。我尽量说得简单，没写过代码的也能跟着做。

整条链路就三步。配音加时间戳、搭 Remotion 项目、渲染出片。

配音加时间戳

用 edge-tts，免费，一行命令同时出配音和字幕时间戳。

先装 edge-tts。

pip install edge-tts

装好以后跑这条命令。

edge-tts --voice zh-CN-YunxiNeural --rate="+5%" --text "你的文案内容" --write-media voice.mp3 --write-subtitles subs.vtt

跑完你会得到两个文件。voice.mp3 是配音，subs.vtt 是带时间戳的字幕。

打开 vtt 文件看一下，长这样。

1 00:00:00,100 --> 00:00:02,157 大家好，我是小虎。

每句话的起止时间都有了。后面 Remotion 就靠这个时间来同步字幕动画。

😅 有个坑。edge-tts 给的是句级时间戳，不是词级。要做逐词动画，得自己按字数比例拆。比如一句话 2 秒，10 个字，那每个字大概 0.2 秒。不需要精确到毫秒，视觉上看不出差别。

搭 Remotion 项目

在 D 盘建个文件夹（C 盘空间紧张的朋友注意），初始化项目。

mkdir D:\subtitle-demo cd D:\subtitle-demo pnpm init pnpm add remotion @remotion/cli react react-dom pnpm add -D typescript @types/react

把 voice.mp3 复制到 public 文件夹里。

然后在 src 目录下写一个字幕组件。核心逻辑很简单。每个词是一个 span 标签，用 spring 动画控制弹入，当前正在读的词变金色，其余白色。整行字幕加个半透明背景条。

我直接给你完整代码，复制就能用。

// src/AnimatedCaptions.tsx import React from 'react'; import {AbsoluteFill, Audio, staticFile, useCurrentFrame, interpolate, spring, useVideoConfig} from 'remotion'; // 把vtt时间戳换算成帧数（秒数×30），按字数比例拆词 const captionLines = [ { startFrame: 3, endFrame: 65, words: [ {word: '大家好', startFrame: 3, endFrame: 30}, {word: '我是', startFrame: 30, endFrame: 48}, {word: '小虎', startFrame: 48, endFrame: 65}, ], }, // 后面的句子同理，按vtt时间×30填进来 ]; export const AnimatedCaptions = () => { const frame = useCurrentFrame(); const {fps} = useVideoConfig(); return (

{captionLines.map((line, i) => { if (frame < line.startFrame || frame > line.endFrame + 10) return null; return (

{line.words.map((w, j) => { const appeared = frame >= w.startFrame; const active = frame >= w.startFrame && frame <= w.endFrame; const p = spring({frame: frame - w.startFrame, fps, config: {damping: 12, stiffness: 200}}); return ( <span key="{j}" style="{{;" display:="" 'inline-block',="" fontsize:="" 52,="" marginright:="" 6,="" opacity:="" appeared="" ?="" p="" :="" 0,="" transform:="" `scale(${appeared="" 0.6="" +="" 0.4="" *="" 0})`,="" color:="" active="" '#ffd700'="" '#fff',="" textshadow:="" '0="" 0="" 20px="" rgba(255,215,0,0.8)'="" 2px="" 4px="" rgba(0,0,0,0.9)',="" fontweight:="" 900="" 700,="" fontfamily:="" '"microsoft="" yahei",="" sans-serif',="" }}="">{w.word} ); })}

); })}

); };

这段代码做了什么？每个词弹入的时候有个从小变大的弹簧动画，正在朗读的词变成金色加发光，其余词白色。整行有个半透明黑底。字号 52px，在竖屏手机上看得很清楚。

想调样式？改 CSS 就行。字号改 fontSize，颜色改 color，动画快慢改 damping 和 stiffness。全是前端那套东西，没有黑魔法。

渲染出片

一条命令。

npx remotion render src/index.ts AnimatedCaptions out/result.mp4 --browser-executable="C:/Program Files/Google/Chrome/Application/chrome.exe"

😅 这里有个坑。Remotion 默认会下载一个 Chromium 浏览器，国内网络经常卡住。加--browser-executable参数指向你本地的 Chrome 或 Edge，跳过下载，秒开。

渲染完打开 result.mp4，你应该看到深色背景上，字幕逐词弹入，当前词金色高亮，配音同步播放。

验证方式很简单。播放视频，看字幕出现的时间和配音是不是对齐的。如果有偏移，回去改 captionLines 里的帧数就行。

效果对比

我做了个对比视频。左边 FFmpeg 默认字幕，右边 Remotion 动态字幕。同一段配音，同一段文案。

左边是白色宋体小字，无动画无背景，像 2005 年的盗版碟。右边是逐词弹入加金色高亮加半透明背景条，像 2026 年的抖音爆款。

差距不在内容，在渲染层。

成本账

最后算个账。

edge-tts 配音，免费。Remotion 渲染，本地跑，免费。整条链路零额外费用。

如果你用百炼 FunASR 做识别（比如你有真人录音需要转字幕），0.13 元一小时，一条两分钟的视频不到半分钱。

跑一条是这个成本，跑一百条也是，跑一千条还是。链路搭好以后，边际成本趋近于零。

对比一下手动方案。剪映手动加字幕，一条 3 到 5 分钟。一天 10 条就是半小时到一小时的纯体力活。一个月下来十几个小时花在「点字幕」上。

自动化方案把这些时间还给你了。

但是，上面这些你其实都不用自己做

我知道你看到代码块的时候心里咯噔了一下。

React? CSS? spring 动画？我一个做内容的，为什么要学这些？

说得好。你不需要学。

上面那些代码、那些命令、那些配置，是我替你趟过的路。我写这篇文章的目的，不是让你自己去学 Remotion，是让你知道这条路存在、效果能打、成本为零。

真正干活的时候，你只需要打开 WorkBuddy，跟它说几句话。

比如你可以这样说。

「帮我用 edge-tts 给这段文案配音，声音用云希，语速加 5%。然后用 Remotion 做逐词弹入的动态字幕，当前词金色高亮，背景半透明黑底，字号 52，竖屏 1080x1920。渲染成 MP4 给我。」

WorkBuddy 会自己装环境、写代码、跑命令、出视频。你全程不需要碰一行代码。

它背后调的就是我上面讲的这套链路。edge-tts 出配音加时间戳，Remotion 组件渲染逐词动画，Chrome 渲染输出 MP4。但这些细节你不用管，WorkBuddy 替你管。

你只管给文案，它给你成品视频。带配音的，带动态字幕的，能直接发的那种。

这才是真正的自动化。不是你学会了所有工具，而是你只需要说一句话，工具自己串起来干活。

写在最后

整条链路串起来看。脚本有素材库，配音有 edge-tts，画面有分镜图加即梦，视频渲染有 Remotion，字幕也是 Remotion。每个环节都能被 WorkBuddy 一句话调起来。

字幕是这条链上最后一个补齐的环节。补上以后，从文案到成片，全程零手动。

你一个人，一台电脑，一个 WorkBuddy，就是一个视频工厂。

以前做 10 条视频要一天，现在做 10 条视频要 10 分钟。省下来的时间，拿去谈客户、做产品、陪家人，哪个不比「点字幕」值钱？

字幕不是视频自动化的配角，是成片的最后一道门面。而这道门面，现在一句话就能搞定。

我还在持续更新短视频获客自动化的系列内容。想深入聊这块的话，后台私信我，我拉你进交流群。

群里都是正在做 AI 短视频的朋友，大家一起碰方法，比一个人闷头摸索强太多了。

想，都是问题。干，就对了。