Shotcut AI 字幕翻译完整指南：免费、本地、把口播视频变成多语言字幕

Shotcut AI 字幕翻译完整指南：免费、本地、把口播视频变成多语言字幕

【免费下载链接】shotcutcross-platform (Qt), open-source (GPLv3) video editor项目地址: https://gitcode.com/gh_mirrors/sh/shotcut

Shotcut 内置的 AI 字幕翻译功能，能让你不离开剪辑窗口，就把时间线上的口播音频转成带时间码的字幕轨道，并用 Whisper 引擎一步翻译成英文字幕。整套流程本地运行、不上传音频，默认模型只需约 57 MB 硬盘空间，适合做课程、访谈、海外发布的视频创作者。


它能替你省掉什么

先说清楚这套功能覆盖的环节，方便你判断自己用不用得上：

• 🎙️音频转文字：在 SubtitlesDock 里点 "Speech to Text..."，勾选含人声的轨道即可转录，对话框内置 101 种语言选项
• 🌍一键翻译：勾选 "Translate to English" 后，Whisper 会在转录的同时输出英文字幕（源码里对应--translate参数，见 WhisperJob）
• 🗂️多轨道管理：每跑一轮就生成一条独立字幕轨道，原声轨道、英文轨道并存；需要更多语种时，用 SRT 导出/导入再挂一条轨道
• 💸成本：引擎是 whisper.cpp，模型免费且本地推理，没有按字计费的 API

它适合的场景：一期视频要同时出「原声 + 英文」两版字幕，或先出英文底稿再交给译员处理。不适合的场景：指望它把中文直接翻成法语——Whisper 的翻译方向固定是英文，其他目标语种要走后文的 SRT 换轨流程。

数据流：背后实际跑了什么

用一句话描述整条链路：你勾选的轨道 → 混缩成 16 kHz 单声道临时 WAV → whisper-cli 转录（可选翻译）→ 生成 SRT → 自动导入为新字幕轨道。

拆开看就是两个后台任务（在 SubtitlesDock::speechToText 中编排）：

1. 第一个任务 "Extracting Audio"：把选中轨道之外的内容静音，渲染出一个 16 kHz、单声道、无视频的临时 WAV
2. 第二个任务 "Speech to Text"：调用 whisper-cli，带上--language、--max-len、--split-on-word，勾选翻译时追加--translate；完成后由 PostJobAction 把 SRT 自动挂到时间线上

进度、日志、失败重试都在任务面板里能看到，不用盯着终端。

上手操作：从配置引擎到收轨道

第 1 步：让对话框认出 whisper-cli 和模型

打开 "Speech to Text..." 对话框后，如果底部 Configuration 区显示红色路径，说明还差配置（逻辑在 TranscribeAudioDialog）：

• 可执行文件：默认在 Shotcut 程序目录找whisper-cli（Windows 是whisper-cli.exe），找不到就点浏览按钮手动指定
• 模型：对话框内置一张模型清单（定义在 whispermodel.qml），点一行就会确认下载并校验 sha256，模型缓存在shotcut/whisper_models目录里，装一次永久用
• 两项都绿了，"OK" 才会亮起——这是它防止你白等半小时的设计

第 2 步：四个参数决定输出质量

对话框主体只有几个字段，但每个都影响结果：

参数	取值范围	建议
Name（新轨道名）	任意文本	直接写 "English"，省去后面改名
Language（源语言）	101 选 1，默认跟随系统语言	明确选源语言比自动猜更稳
Translate to English	勾选	要翻译就勾，纯转录就空着
Maximum line length	10–100 字符，默认 42	竖屏短视频可调到 30–40，横屏 50–60
Include non-spoken sounds	勾选	想保留「（笑声）」「（掌声）」这类标注就勾
Use GPU	默认开	没有独显或跑挂过就关掉，程序会自动退避重试

下方 "Tracks with speech" 列表决定哪些轨道参与：只勾含人声的轨道，其余轨道在临时渲染里会被静音，既省时间也避免配乐干扰识别。

第 3 步：看进度、校字幕

点 "OK" 后任务面板里会依次出现 "Extracting Audio" 和 "Speech to Text" 两条任务，Whisper 按--print-progress实时回报百分比。完成后 SRT 已经挂成一条新字幕轨道，回到 SubtitlesDock 逐条看：

• 点击某条字幕，下面会出现前后两条的预览框，方便连着读上下文
• 时间码不准时，用 "Set Subtitle End"（Shift+T）或 "Move Subtitles"（Shift+Y）快速挪
• 想直接看原始 SRT，右键任务里的 SRT 即可查看

多语言轨道怎么组织

拿到英文轨道后，「本地化」的落地方式是把每条轨道当成一种语言来管：

• 每轮转录在对话框的 Name 字段起好轨道名（如 "EN"、"ZH"），同名轨道会被拒绝，防止覆盖
• SubtitlesDock 支持 SRT 导入/导出：把英文轨道导出 → 外部翻成目标语种 → 导回来挂成新轨道，多语种并存
• 最终要烧录进画面时，用 "Burn In Subtitles on Output" 在时间线输出上加字幕滤镜；想当花字用，则 "Generate Text on Timeline" 会生成一条纯文本轨道
• 轨道的增删改由 SubtitleTrackDialog 统一管理

提速与避坑速查

选模型：体积、精度、速度怎么权衡

模型清单里每档都有全精度和 q5 量化两个版本，量化版体积约为全精度 1/3，日常口播精度损失很小：

档位	全精度	量化版	适用
tiny	约 74 MB	约 31 MB	试跑、短音频
base（默认推荐）	约 141 MB	约 57 MB	清晰口播，首选
small	约 465 MB	约 181 MB	长视频、口音较重
medium	约 1.4 GB	约 514 MB	嘈杂环境
large-v3	约 2.9 GB	约 1.0 GB	极致精度、长内容

两个加速点：GPU 推理默认开启（见 settings 中 whisperUseGpu），失败一次会自动带--no-gpu重试而不是直接报错；线程数按 CPU 核数 -1 自动分配，32 位进程限 1 线程防内存爆。

字幕对不齐、翻译不理想怎么办

• 串音/漏识别：多半是只勾了「人声轨道」还不够——先压低背景音乐再转录，比换大模型更有效
• 时间码偏移：用 Shift+T / Shift+Y 逐条微调；整轨系统性偏移时检查源音频采样率与项目设置是否一致
• 中文乱码：是字体问题，在字幕渲染设置里换成支持中文的字体（如思源黑体）
• 只翻出英文：这是设计如此，Whisper 翻译方向固定为英文；其他语种走「导出 SRT → 翻译 → 导入新轨道」的循环

今天就做的一步

打开一个有口播的素材 → 视图里打开 Subtitles 面板 → "Speech to Text..." → 保持默认 base 量化模型直接 "OK"，十分钟不到你会收获一条带时间码的字幕轨道。

接下来可以往三个方向延伸：把 "Text to Speech..." 配上 voices/ 目录里的本地语音包，给纯文字字幕配音；用 burn-in 滤镜把多轨字幕烧进成片；或者研究 mltcontroller 里轨道与生产者的交互，为团队搭一套自动化的字幕产线。

【免费下载链接】shotcutcross-platform (Qt), open-source (GPLv3) video editor项目地址: https://gitcode.com/gh_mirrors/sh/shotcut