用剪映生成字幕，又贵，错误又多。解决方案来了。

你有没有这种经历？

一个 40 分钟的视频，丢进剪映，点自动识别字幕。等了半天，出来一看：人名错，术语错，英文缩写错。一句正常的话被拆成三句，该断的地方又偏不断。

最后你坐在那里，一条一条改。改到第 80 条的时候，突然想明白一件事：这不是自动字幕，这是自动给你生成一份待修改清单。

更难受的是，它还越来越贵。

问题不在剪映

剪映适合剪视频，这个没什么好黑的。

但字幕这件事，它很尴尬。你只是想要一个 SRT，它让你进一个软件；你只是想修几个术语，它让你在时间轴里点来点去；你只是想让 AI 根据讲稿校对一下，它没有这个工作流。

所以问题不是“有没有一个更便宜的剪映”。

问题是，字幕这件事能不能从剪辑软件里拿出来，交给 AI 和本地工具去做。

可以。

我做了一个 skill，叫 audio-to-text。

它不是剪映平替

它更像一个给 AI 用的字幕工人。

你不用记一堆命令。你只要跟 Claude Code 或 Codex 说：

帮我把这个视频转成字幕。

它会调用本地工具，把视频变成 SRT。

你说：

根据这份术语表，帮我校对字幕。

它会把字幕文本抽出来，逐行修，再安全地装回 SRT。

你说：

把字幕烧进视频里。

它会用 ffmpeg 生成带硬字幕的视频。

这才是它的重点。不是 CLI 多酷，也不是参数多完整，而是你可以把“生成字幕、校对字幕、烧录字幕”这套脏活交给一个 skill。

怎么下载和安装

仓库地址在这里：

texthttps://github.com/panjiangyi/audio-to-text

安装也很直接：

bashgit clone https://github.com/panjiangyi/audio-to-text.git cd audio-to-text ./install.sh

安装脚本会帮你处理几件事：检查并安装 ffmpeg，安装 uv，装好 Python 依赖，然后创建一个全局命令 att。

如果刚装完终端里还找不到 att，重新打开一个终端，或者刷新一下 shell 配置。

不想装全局命令，也可以在项目目录里直接跑：

bashuv run att stt /path/to/video.mp4 –output srt

装好以后，真正要记住的其实就一个命令：

bashatt

后面生成字幕、校对字幕、烧录字幕，都让 skill 去调用它。

先生成字幕

你把视频路径给 AI，比如：

帮我把 /path/to/video.mp4 转成中文字幕 SRT。

skill 会在本地跑：

bashatt stt /path/to/video.mp4 –output srt

然后在视频旁边生成：

textvideo.zh.srt

如果你只要文字稿，也可以说：

把这个录音转成文字。

它会跑：

bashatt stt /path/to/audio.mp3

背后用的是 faster-whisper。视频抽音频用 ffmpeg。整个过程在本地跑，不用上传素材，不用 API key，也不用看平台脸色。

再提前告诉它专有名词

剪映最容易翻车的地方，不是普通话。

是人名、品牌名、技术词。就是那些你的视频里反复出现，但普通模型听不懂的词。

比如 Kubernetes、etcd、CRD、控制器。

这时候你可以直接跟 AI 说：

生成字幕，术语包括 Kubernetes、etcd、CRD、控制器。

skill 会把这些词塞进识别提示里：

bashatt stt video.mp4 –output srt –context “Kubernetes, etcd, CRD, 控制器”

这不是神药。它不会保证全篇都识别正确。但它能少很多很蠢的错，尤其是开头那一段。

最有用的是校对

普通字幕工具到生成 SRT 就结束了。

真正痛苦的地方，才刚开始。

比如一个课程视频，老师讲“向量数据库”，字幕识别成“香亮数据库”；老师讲“RAG”，字幕写成“阿基”；老师讲“Claude Code”，字幕写成“克劳德扣的”。

你看着它。

它也看着你。

这时候，skill 的价值就出来了。你把 SRT 和术语表一起给 AI，然后说：

根据这份术语表校对字幕。只修识别错误，不改时间轴。

skill 会先抽出字幕文本：

bashatt srt video.zh.srt

AI 只负责改每一条字幕的文字。不碰编号，不碰时间戳，不合并，不拆分。

最后再跑：

bashatt srt video.zh.srt –apply /tmp/corpus.txt –output-path video.proofed.srt

这里有个很重要的设计：AI 不直接手改 SRT。

因为 AI 一旦直接改 SRT，就可能把时间轴弄坏。多删一个空行，少复制一个编号，把两条字幕合成一条。你到剪辑软件里才发现，已经晚了。

所以这个 skill 的做法是：AI 只改文本，CLI 负责重建。行数不对，直接拒绝写入。

这叫把 AI 关在笼子里干活。

挺好。

最后可以烧进视频

有些时候，你不只是要 SRT。你要一个成片。

你可以继续说：

把这个字幕烧进视频里。

skill 会用 ffmpeg 做硬字幕，输出类似：

textvideo.subbed.mp4

中文视频还会指定中文字体，比如 Noto Sans CJK SC。不然很容易出现一种经典场面：字幕生成了，字也烧进去了，中文全是方块。

人安静了。

它解决的不是转写，是流程

以前是这样：打开剪映，导入视频，点自动字幕，等，改错，继续改错，导出。发现还有错，再打开，再改。

现在你可以这样：告诉 AI 生成字幕。告诉 AI 按术语表校对。告诉 AI 烧进视频。

中间那些脏活，skill 去做。

它比剪映强的地方也很朴素：素材不用上传，识别不按分钟收费，能根据上下文继续修字幕，而且时间轴不容易被 AI 改废。

这几个点，单独看都不性感。

但做过长视频字幕的人知道，够了。

谁最适合用

经常做知识视频的人。做课程的人。剪访谈的人。整理播客的人。处理会议录音的人。还有那种视频里一堆专业词的人。

如果你只是偶尔剪个生活视频，剪映够了。

但如果你每周都要处理字幕，你很快会发现：贵不是最烦的。

错了还要你自己改，才是最烦的。

audio-to-text 不是另一个剪映。

它是一个字幕 skill。

你说一句：

帮我把这个视频转成字幕，并按术语表校对。

剩下的让它干。