在线视频没字幕？AI 实时字幕与转写方案汇总

外语课程、直播、日语视频经常只有音轨没有字幕。想看懂，核心是两步：语音识别（ASR）把声音转成原文，再用翻译模型转成中文。很多人先装浏览器翻译扩展，但这类工具大多只能翻译已经存在的字幕轨；视频没有字幕时，它无法凭空生成。另一类工具要先把视频下载下来，适合本地文件，不适合在线播放。

下面按四个场景拆：系统/浏览器实时字幕、已有字幕的翻译、下载后转写、边看边转写的准实时流水线。先想清楚你要的是“看懂就行”，还是要导出可编辑的双语字幕，选型会完全不同。

先分清需求：实时、翻译还是转写

方案一：系统与浏览器自带实时字幕

Windows 11 的实时辅助字幕能捕获系统播放的声音，在“设置 > 辅助功能 > 字幕”里打开；Edge 也有实时字幕，入口在“设置 > 辅助功能”。它们免费、不用装额外工具、对网站不挑；缺点是支持的语言和翻译目标有限，字幕通常不能导出，口音、专有名词识别不稳定。是否能把日语翻成中文，取决于当前版本和语言包，打开设置确认，别只看旧教程。

适合临时看直播、网页视频，能理解大意即可。要双语对照或保存字幕，直接看后面的方案。

方案二：已有字幕轨，用扩展做翻译

如果视频本身有字幕轨（人工或自动生成），沉浸式翻译这类浏览器扩展可以翻译并双语显示，YouTube 等站点体验较好。它不负责语音识别，没有字幕轨时无效。优点是快、便宜；缺点是译文受原字幕断句影响，术语和人名容易前后不一致。

有些在线 AI 服务也提供转写或翻译，通常按量收费；上传前确认隐私条款和文件大小限制。

方案三：下载或录屏后转写，准确率最高

这是准确率最高、最可控的做法，适合课程、会议、本地视频。

1. 获取文件：只处理自己录屏、课程回放或有权使用的素材，不要从盗版站抓取，也不要用工具绕过付费墙或 DRM。
2. 提取音频：

ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 -c:a pcm_s16le audio.wav

1. 语音识别：图形界面可用 pyVideoTrans、stt 这类开源项目，内置 Whisper/faster-whisper，能选语言并导出 SRT；命令行示例：

whisper audio.wav --model large-v3 --language ja --task transcribe --output_format srt

模型越大越准也越慢；日语一定显式指定 ja，否则可能被误判成英语或中文。机器跑不动 large-v3 时，先用 small/medium 或量化版试 10 分钟片段。

1. 翻译：把 20–50 条字幕连同上下文交给 Claude、GPT 等模型，要求保留序号和时间轴、统一术语、只输出译文。示例提示词：

你是字幕翻译。把下面的日语字幕翻译成简体中文，保留每行开头的序号和时间轴，不要合并或拆分行。术语表：...
只输出翻译后的字幕。

涉及成人内容时，云端模型可能拒绝或过滤，需自行确认内容合法合规；不要把隐私视频上传到来路不明的在线站。网页上传转写（如 vidcup.cn 一类）适合临时小文件，但同样要评估隐私。

1. 校对与播放：用 Subtitle Edit 等工具抽查数字、人名、否定句；播放器加载外挂 SRT。需要双语就把原文和译文按行拼在一起。

剪映也能做听译和字幕识别，短视频方便，但长视频、日语准确率和导出限制要先试，部分功能可能需要会员，以当前版本为准。

方案四：在线视频的准实时流水线

不想下载整段视频，可以只抓正在播放的一小段音频：用 OBS 或系统录音录 10–20 秒，切片后发到 ASR API，拿到带时间戳的结果再翻译，最后用置顶窗口或播放器外挂字幕显示。延迟通常几秒到十几秒，不是真正的同传。

curl https://api.groq.com/openai/v1/audio/transcriptions -H "Authorization: Bearer $GROQ_API_KEY" -F file=@clip.mp3 -F model=whisper-large-v3 -F language=ja -F response_format=verbose_json

接口地址、模型名和限额会调整，以官方文档为准；密钥放环境变量，不要写进前端或公开仓库。

开源播放器如 Dash Player 把字幕翻译、AI 查询做进了本地播放器，适合本地视频学习；在线流媒体仍要先把音频接出来，是否支持转写看具体版本。

如果转写任务多、需要长期挂机，而本地机器性能不足或不能一直开机，可以把 Whisper 和翻译脚本放到按月租用的新加坡独享远程 Mac 上常驻运行，通过网络提交任务；它解决的是运行环境，不改变识别和翻译质量。

翻译质量与工具取舍

常见的分歧是“机翻够不够”。临时看剧情，免费机翻加字幕扩展就能用；做课程笔记、双语字幕，LLM 翻译更自然，但要注意：

• 术语一致性：先给术语表，分批翻译。
• 上下文：按场景批量送，不要单句。
• 幻觉：数字、人名、否定句逐条抽查。
• 成本：长视频 token 多，先小段试。
• 隐私：云端 API 会接收字幕文本，敏感内容用本地模型。

对“一键神器”保持警惕：有的只是套壳翻译，有的会收集视频内容。优先选开源、可导出字幕、能本地部署的工具。

注意事项与选型清单

合规提醒：只处理自己有权使用的音视频；不要用工具绕过付费墙、DRM 或地区限制；不要把账号、API key 交给不明服务；成人内容还要注意平台政策和当地法律。

没有一款工具能同时做到免费、实时、准确、可导出。实时字幕求快，Whisper 求准，LLM 求译文自然；先定场景，再组合工具，比追“神器”靠谱。