视频字幕提取与自动生成字幕：把视频变成文字的完整指南
2026-08-13
想拿到一段视频里的完整文字，路径其实只有两条：视频本身带字幕的，直接做视频字幕提取；不带字幕的，用语音识别从音轨自动生成字幕或文字稿。两条路的工具和做法完全不同，很多人折腾半天没结果，就是因为一开始没分清自己手里的视频属于哪种情况。这篇文章把整件事讲透：怎么判断字幕能不能直接提取、自动生成字幕的效果到底如何、SRT 文件长什么样，以及什么时候你真正需要的不是字幕，而是一份干净的文字稿。
视频字幕提取的三种情况
动手之前，先花十秒确认字幕以什么形式存在，这决定了后面所有步骤：
- 独立字幕文件：视频文件夹里躺着同名的 .srt 或 .ass 文件。这是最简单的情况——字幕本身就是文本，用记事本打开就能看到全部内容，谈不上"提取"。
- 内封字幕（软字幕）：字幕作为单独的轨道封装在 MP4 或 MKV 容器里，播放时可以开关。用 ffmpeg 一条命令就能把字幕轨导出成 SRT 文件，内容一字不丢。
- 硬字幕：字幕直接"烧"进了画面，成了图像的一部分，无法关闭。这种字幕没有文本可提——要么用 OCR 逐帧识别画面上的字（错误率高、格式混乱），要么干脆放弃画面，直接对音轨做语音识别，后者往往又快又准。
判断方法很简单：在播放器里试试能不能关掉字幕。能关的是软字幕，可以无损提取；关不掉的是硬字幕，按"没有字幕"处理反而更省事。
自动生成字幕：没有字幕时的标准做法
录课、会议录屏、采访素材、自己拍的视频——大量视频根本没有字幕。这时唯一的路就是语音识别：把音轨里说的话转成带时间戳的文字，再导出成字幕文件或纯文本。
现在的自动语音识别和几年前已经完全不同：发音清晰、噪音不大的普通话或英语视频，识别结果多数情况下只需少量校对。真正影响效果的是这几件事：
- 音质：对着麦克风说话的录制，效果远好于房间另一头的环境收音。
- 多人重叠：几个人同时说话的片段，任何工具都会出错。
- 专有名词：人名、产品名、行业术语是校对时的重点检查对象。
操作上不需要先把视频转成音频——直接上传视频文件即可，工具会自动分离音轨。完整流程可以参考视频转文字的具体方法。
自动生成字幕和人工字幕差在哪
人工字幕的优势在"精加工"：断句符合阅读节奏，术语和人名准确，口语能被适度整理成通顺的书面表达。代价是慢和贵——按分钟计费，交付以天为单位。
自动生成字幕正好相反：几分钟出稿、成本极低，但断句偏机械，生僻的专有名词可能识别错。
所以实际工作中的标准做法早就不是二选一，而是"先自动、后人工"：机器先出完整初稿，人只负责校对专名和调整断句。同样一小时的视频，纯人工听打要三四个小时，校对自动稿通常一小时以内就能完成。
SRT：最通用的字幕格式
SRT 是纯文本格式，用任何编辑器都能打开和修改。每条字幕由三部分组成——序号、起止时间码、字幕文本：
1
00:00:01,000 --> 00:00:04,200
大家好，今天我们聊聊字幕格式
2
00:00:04,400 --> 00:00:07,800
SRT 是其中最简单也最通用的一种
时间码精确到毫秒，决定每行字幕何时出现、何时消失。几乎所有播放器、剪辑软件和视频平台都支持导入 SRT。只有需要控制字体、颜色、位置这类样式时，才用得上 ASS 等更复杂的格式——普通场景 SRT 完全够用。
什么时候文字稿比字幕更有用
字幕是为"边看边读"设计的：一屏一两行，跟着画面走。但很多时候你要的其实是视频里的内容本身。这时把视频字幕转文字、去掉时间码和换行，得到一份连贯的文字稿，比几百条碎片化的字幕行有用得多：
- 检索和引用：在整篇文字稿里搜关键词、复制整段引用，比在字幕列表里逐条翻找轻松太多。
- 二次创作：把讲座视频改写成文章、把访谈整理成问答稿，需要的是完整段落，不是字幕碎片。
- 摘要和翻译：对连贯的全文做要点摘要或整体翻译，效果远好于逐条处理字幕行。
用 Oratext 处理视频时，两种产物可以同时拿到：上传视频后得到带时间戳的转写结果，既能作为字幕的底稿，也能一键清理成通顺的文字稿，再生成摘要或翻译成其他语言，全程不用换工具。想了解转写背后的原理，可以读什么是转写。
常见问题
硬字幕能直接提取成文本吗？
不能，画面里的字没有对应的文本数据。如果视频有原声，对音轨做语音识别通常比 OCR 画面更快、更准；只有"无声视频+画面文字"这种少数场景，才值得用 OCR。
自动生成的字幕能直接发布吗？
看用途。个人学习笔记、内部资料可以直接用；公开发布的内容建议过一遍人工校对，重点检查专有名词和断句位置。
一小时的视频要处理多久？
语音识别的速度远快于播放速度，一小时的视频通常几分钟就能出稿——真正花时间的是校对，而不是转写本身。
下次再需要"视频里的文字"，先花十秒判断：有软字幕就直接导出；没有就把文件传到 oratext.com 做语音识别——每天 3 分钟免费转写，无需注册；20 MB 以内的视频也可以直接发给 Telegram 机器人 @oratextbot。几分钟后，字幕底稿和干净的文字稿就都在你手里了。