免费又安全的本地视频字幕提取工具：3分钟把视频硬字幕一键转成SRT文件-尧图网络科技

免费又安全的本地视频字幕提取工具：3分钟把视频硬字幕一键转成SRT文件

【免费下载链接】video-subtitle-extractor视频硬字幕提取，生成srt文件。无需申请第三方API，本地实现文本识别。基于深度学习的视频字幕提取框架，包含字幕区域检测、字幕内容提取。A GUI tool for extracting hard-coded subtitle (hardsub) from videos and generating srt files.项目地址: https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor

剪好的视频需要配字幕，外语电影想复刻台词，网课课件要转成文字——这时候你需要一台可靠的"本地视频字幕提取"机器。Video-subtitle-extractor（简称 VSE）就是答案：免费开源、全程本地运行、不上传任何数据，三分钟就能把视频里的硬字幕一键转成 SRT 文件。

凌晨一点，剪辑师老周还坐在工位前。客户明天早上就要成片，一段 40 分钟的口播视频，字幕框里却还是一片空白。手动打字？四五个小时起步。用在线工具？要等、要收费，还得把素材裸奔交给别人的服务器。语音转写？背景音乐和笑声一响，转出来的文字根本没法用。

老周真正需要的，是把视频里"已经烧录在画面上的硬字幕"直接读出来——这件事，VSE 替他做到了。

与其手动抄字幕，不如让工具读懂画面

回忆一下你上次给视频配字幕的经历：播放器暂停、切到文本编辑器、打字、再切回去……一集 20 分钟的剧，光字幕就能耗掉你一整晚。更别提外语视频，听不懂的内容，想抄都无从下手。

这就是硬字幕的尴尬：它明明写在你眼前，却永远"复制"不出来。手动转录慢、准确率看运气；在线工具要上传视频，等于把素材交给第三方；而 VSE 的思路完全不同——它把"看字幕"这件事交给深度学习模型，在你自己的电脑上完成从检测到识别的全部工序，本地字幕提取全程不联网、不泄露。

VSE 能力速览：一屏看懂它能替你做什么

用四张"速览卡"讲清它的本事：

🔒 字幕提取隐私安全第一：完全本地处理，OCR 识别不依赖任何第三方 API，视频文件不出你的电脑，敏感内容也敢放心处理。
🌍 87 种语言覆盖：中英日韩、繁简中文、阿拉伯语、俄语、西语、法语……识别模型就放在backend/models/V5/目录下，开箱即用。
⚡ 三档识别模式自由切换：快速 / 自动 / 精准按需选择，配合 GPU 加速字幕识别，处理速度最高可提升 5-10 倍。
🧩 批量任务 + 智能文本替换：一次导入多个视频统一处理；编辑typoMap.json即可修错字、去水印、统一术语。

作为一款免费本地字幕提取工具，VSE 采用 Apache 2.0 开源协议，支持 Windows / macOS / Linux 三大平台，没有任何功能阉割或隐藏收费。

从零到一：四步完成本地字幕提取的完整流程

新手照做即可成功，全程不需要懂任何算法。

第一步：把源码请回家

打开终端，执行克隆命令，网络通畅的话十几秒就能下载完：

git clone https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor

第二步：给 Python 建一个"隔离房间"

项目需要 Python 3.12 及以上版本。为避免依赖互相打架，推荐用虚拟环境安装：

python -m venv videoEnv # Windows 激活 videoEnv\Scripts\activate # macOS / Linux 激活 source videoEnv/bin/activate

第三步：按硬件选对安装方式（速查表）

这一步直接决定"快不快"，照着表格抄作业即可：

你的电脑	安装方式	效果
NVIDIA 显卡	`pip install paddlepaddle-gpu==3.3.1`（匹配对应 CUDA 版本）	GPU 加速字幕识别，速度最快、准确率最高
AMD / Intel 显卡（Windows）	`pip install paddlepaddle==3.3.1`后补装`requirements_directml.txt`	借 DirectML 吃满显卡算力
无 GPU / 普通笔记本	`pip install paddlepaddle==3.3.1`	CPU 也能跑，只是速度慢一些

无论哪种方式，最后都要执行一次pip install -r requirements.txt安装基础依赖。

第四步：框选字幕区域，一键运行

启动图形界面：

python gui.py

界面布局很直观，核心就三步操作：

打开视频：点【打开】选择文件，可以多选实现批量提取；
框选字幕区：在预览区拖出一个矩形框，把字幕出现的区域圈起来，软件之后只认这一块；
点【运行】：剩下的全部交给程序——检测关键帧、定位字幕位置、OCR 识别文本、过滤重复行，最后自动生成 SRT / TXT 字幕文件。

右侧参数面板还能按需调整：界面语言、视频字幕语言（87 种可选）、识别模式、硬件加速开关，以及"生成 TXT 文本字幕""重新分词"等选项，全部可视化勾选，零学习成本。

三类人的真实用法：VSE 在他们手里的样子

自媒体博主阿May：每天要更新两三条视频，字幕以前全靠外包。现在她把素材批量拖进去、统一框选字幕区、开启硬件加速，一条 10 分钟的视频从手工转录的 40 分钟压缩到 3 分钟——晚上导素材，早上起来字幕文件已经躺在文件夹里。

日语学习者小哲：追剧时把字幕框拖到屏幕下方四分之一处，选日语识别模型，导出 TXT 文本后导入背单词工具做成学习卡片，一边看剧一边积累生词，听力训练不再"听过就忘"。

网课老师王老师：把课程录像批量转成 SRT 字幕，配合剪辑软件二次加工课件；同时在typoMap.json里把学科术语统一成规范写法，出片质量稳定又省心。

避坑指南与提速清单：常见疑虑一次说清

Q1：识别准确率不够高怎么办？

先检查字幕框是否框准、语言是否选对，再考虑升级识别模式。三档模式的取舍如下：

识别模式	硬件要求	速度	准确率	适合谁
快速	有 / 无 GPU	极快	85%-90%	追求效率、要求不高的日常素材
自动	有 GPU	快	90%-95%	日常首选，兼顾速度与质量
精准	有 / 无 GPU	慢	95%-98%	丢字幕轴、错字较多时的兜底方案

Q2：处理速度太慢怎么优化？

开启硬件加速（NVIDIA 用户装好对应 CUDA / cuDNN）；切换快速模式；处理前关闭占内存的程序，至少留出 8GB 可用内存；把视频文件放到 SSD 上也能明显提速。

Q3：软件启动不了或跑不出结果？

依次排查：Python 是否为 3.12+；依赖是否装全（重跑requirements.txt）；backend/models/下的模型文件是否完整；最后是最高频的坑——程序和视频的存放路径不要带中文和空格，否则可能出现未知错误。

Q4：批量处理时报错？

批量提取时保证所有视频分辨率一致、字幕区域保持一致，整批任务就能顺畅跑完。

再进一步：替换文本、多语言与命令行自动化

VSE 不止"提取"这么简单，进阶玩法同样值得一试。

智能文本替换：编辑backend/configs/typoMap.json，可以自动修正 OCR 常见误识别（比如把 "l'm" 修正为 "I'm"）、抹掉视频水印和台标、统一专业术语，甚至过滤掉不想出现的文案：

{ "l'm": "I'm", "Let'sqo": "Let's go", "威筋": "威胁", "台标水印文字": "" }

多语言字幕：同一视频可以分别用不同语言模型提取，再配合字幕编辑软件微调时间轴，轻松做出双语学习素材。

命令行自动化：不想要图形界面时，运行python ./backend/main.py即可走 CLI 流程，方便接入批处理脚本和定时任务。

补一句"内行视角"：VSE 的能力来自backend/tools/下的几个核心模块——字幕检测（subtitle_detect.py）、OCR 识别（ocr.py）、硬件加速（hardware_accelerator.py）和文本后处理（reformat.py），想深入研究的开发者可以直接啃源码。