剪视频被打轴折磨到崩溃，我做了一个真正全免费的字幕生成工具
做自媒体这两年，最让我痛苦的不是想选题，也不是剪辑，而是给视频上字幕。
每次录完十几分钟的口播，我都得在 Premiere 里硬生生耗上一个多小时。先是手动切片，然后一句一句听，听不清楚还得倒回去重听。后来出了不少所谓的 AI 语音识别工具，我满心欢喜去试了几个，结果发现全是套路：要么是限制前 3 分钟免费，要么是导出 SRT 格式必须要买 $9.9 的高级版。
因为实在找不到一个纯粹、干净又免费的方案，我干脆自己动手，做了一个真免费的工具辅助我自己。
为什么大厂的自动识别总觉得“差口气”？
说实话，剪映（CapCut）和 PR 自带的语音识别已经做得很好了，但在处理一些特定场景时，真的会让人抓狂。比如我有时候会在视频里夹杂两句英文专有名词，或者稍微有一点背景噪音，内置的识别引擎立马就开始胡言乱语。
更要命的是，很多软件没有专门针对长对话做“断句优化”。识别出来的字幕要么太长超出屏幕，要么就是一句话被生硬地切成两半，后期微调的时间甚至比我自己打轴还要长。
我想要的是一个能直接跑开源最强模型（比如 Whisper 的改进版），能听懂多语言混杂，并且能干净利落地输出标准 SRT 格式的东西。
于是，我糊了这个小玩意儿
我搭了一个极其简单的网页版工具，起初只是自己和几个朋友在用。它的核心逻辑非常直接：
- 把哪怕是很长的录音或者提取出的音频扔进去。
- 后台全马力跑转录引擎。
- 直接给你一份时间戳极其精准的 SRT 文件。
没有强制登录，没有“前 5 分钟免费”的套路，导出 SRT 也不需要买什么终身版。如果你平时也经常需要把录音转成字幕文件，或者整理长篇会议记录，可以试试我顺手做的这个工具：freeaudiototext.com。
我的一点私心
把这个工具完全免费放出来，其实也是一种试探。我很好奇在这个算力越来越便宜的时代，到底还有多少人在忍受糟糕的基础工具体验。
当然，如果你只是个偶尔剪剪 Vlog 的新手，剪映的自动识别完全够用了。但如果你像我一样，是个极度强迫症的深度内容创作者，受够了断句不对、错别字频出、还要被平台割韭菜的折磨，那不妨试试。
另外插一句，做字幕的时候最好还是输出音频去转，视频文件太大，上传不仅慢，还特别吃内存。把视频丢进剪辑软件，单独静音导出一个 mp3，再拿去生成字幕，才是最高效的工作流。
配图建议： 一张简洁干净的极简风工作台照片，屏幕上显示着代码编辑器和时间轴，光线柔和，带有一点深夜加班的孤独感与专注感。 --ar 16:9