字

听写字幕 · 使用说明书

把电脑正在播放的声音,变成屏幕上的中文字幕。静音、倍速、全屏都不影响。

云端 caption.xinghai.cyou 本地 start_local.bat 2026-11-18

三十秒上手

它抓的不是麦克风,而是电脑正在播放的那路声音。所以你可以戴着耳机听、可以把系统静音、可以 3 倍速刷剧,字幕照样出来。

1

打开页面

用 Chrome 或 Edge 桌面版,访问 https://caption.xinghai.cyou,什么都不用装。

想用更准更快的本地版,双击项目里的 start_local.bat,等黑窗口显示「监听中」会自动打开页面。

2

点「共享系统声音」,把音频勾上

弹出的共享窗口里选 整个屏幕,并确认底部 「分享系统音频」 已勾选,再点「共享」。

只想抓浏览器里的视频,就点「共享标签页声音」,选那个标签页并勾上「同时分享标签页音频」——这条路最稳,完全不受系统音量影响。

3

拖一下歌词窗,开始播放

字幕窗会自动弹出并置顶。按住标题区拖到视频上方,把窗口下沿往上拉成一条窄条即可。

说话后 1~3 秒出字;黑窗口和这个页面标签都别关,可以最小化。

最容易错共享弹窗里忘了勾音频,是「点了没反应」的首要原因。程序拿不到声音轨会直接提示你重新勾。

选云端还是本地

两套是同一个前端、同一个界面,区别只在「谁来听」:云端用 Cloudflare 的 GPU,本地用你这台电脑的显卡。任何时候都能换,设置也不会丢。

对比项云端版本地版
怎么打开浏览器输入网址双击 start_local.bat
要装东西吗不用首次自动装(几分钟,之后秒开)
识别模型whisper-large-v3-turbowhisper-large-v3
中文准确率良好(3× 素材实测字错率约 11.5%)更好(同素材约 8.2%)
单句延迟约 1.9~3.2 秒约 0.8~2.5 秒
音频去哪上传到 Cloudflare 转写只在本机,不出网
显卡不需要有 N 卡更快;没卡自动转 CPU,会慢一些
适合临时用、换电脑、不想装任何东西长期看剧、上课、追求最准最快

一句话选法:这台电脑天天用,就把它设成开机双击本地版;偶尔在别的机器上救急,就用云端版。两者设置分别保存,来回换不会互相覆盖。

本地版首次运行会经历什么

  1. 先检查 Python:需要 3.10 或更高版本,安装时务必勾 Add Python to PATH。
  2. 第一次会自动装依赖、下载识别模型(约 3G,走国内镜像),视网速几分钟到十几分钟。
  3. 之后每次双击,等黑窗口出现「监听中」,浏览器会自动打开页面,通常十几秒。
关键那个黑窗口就是服务本体,关掉等于停服,页面会立刻失去识别能力。想停用就点页面里的「停止」,窗口留着不影响别的事。

界面地图

整个页面只有一块:左边管开始,右边管显示,下面是字幕原文。

1
右上角状态徽标绿色表示识别服务已连上,会写明用的是本地还是云端、哪个模型。橙黄色说明没连上,点它可以重试或跳到云端版。
2
悬浮字幕窗手动打开置顶歌词窗。开始听写时会尝试自动打开,没弹出来就点这里。
3
共享系统声音抓整个电脑的声音。看本地播放器、网课、会议都点这个。
4
共享标签页声音只抓某一个浏览器标签页。最稳,静音也不影响。
5
音量条与状态实时显示当前声音大小,右侧文字是「正在聆听/未开始」。条不动就是没抓到声音。
6
三个数字已识别句数、平均延迟、已听时长。判断有没有在工作,看这三个最快。
7
停止结束本次听写,字幕保留。停止后浏览器顶部那条「正在共享」也要关掉,才算彻底释放。
8
歌词与识别参数倍速、字号、行数、灵敏度、语言、标点,六项都即时生效,改完自动记住。
9
实时字幕区左边是时间戳,右边是文字。右上三个按钮:复制、导出 SRT、清空。

三个典型场景

A. 静音看片(最常用)

  1. 点「共享标签页声音」(在浏览器里看)或「共享系统声音」(用本地播放器)。
  2. 点右上「悬浮字幕窗」,把窄条拖到画面下方字幕位置。
  3. 播放器音量拖到 0 或系统静音 —— 标签页音频不受影响,字幕照常。
  4. 看完点「停止」,需要存档就点「导出 SRT」。
说明抓整屏声音时,Windows 的采集点在音量控制之前,绝大多数声卡静音后仍能取到数据;个别驱动会把数据一起静音,这种情况把音量拖到 1% 就行。

B. 2×/3× 刷课、听播客

  1. 先把播放器的倍速定下来(比如 2×),再回到页面把「播放倍速」也改成 2×。
  2. 点「共享系统声音」开始。
  3. 后面换倍速时,这里的选项跟着改,不需要重新开始。

这一步不是可选项。倍速音频不还原,3 倍速的字错率会到 78%,基本没法读;还原后降到 10% 左右。

C. 边看边留档

  1. 正常听写,字幕会一直累积,不因为窗口滚动而丢失。
  2. 点「复制」得到带时间戳的纯文本,粘到笔记里;点「导出 SRT」得到字幕文件,可拖进剪辑软件或播放器。
  3. 换一部片子前点「清空」,避免时间轴接在一起。

参数怎么调

参数默认什么时候改
播放倍速1× 必须与播放器一致。改错方向比不改更糟:实际 3× 却选 1×,会大段丢字;实际 1× 却选 3×,会被拉得又慢又糊。记忆法:播放器显示多少,这里选多少。
歌词字号44 投影、大屏、离得远就调大(60~96);小窗口或想省地方就调小(24~36)。超长句子会自动缩小,不会撑破窗口。
歌词行数1 行 1 行最像桌面歌词条,占位最小;改成 2~3 行会多显示前几句,方便回看,但窗口更高。
收音灵敏度中 人声小、音乐垫底、外语片 → 调「高」;环境嘈杂老是凭空出字 → 调「低」。它控制的是「多小的声音算在说话」。
识别语言中文 锁定中文最稳,能避免中英混说时被误判成英文或日文。看纯英/日/韩内容时再改。
自动加标点开 关掉会得到一串没有标点的字,只有做后期批量处理时才建议关。
省事所有参数都自动保存在浏览器里,下次打开还是上次的设置。换浏览器或清了网站数据会回到默认值。
兜底忘记设倍速也有救:识别结果异常短时,程序会自动按 2× 再试一遍,并在页面上提示你。但这是补救,不是常规用法。

歌词窗操作

  • 拖动:按住窗口空白处拖动。它在系统层置顶,会盖在全屏视频上,且不挡鼠标点击下面的内容。
  • 改大小:拖窗口四边或四角。想要桌面歌词那种窄条,把下沿往上拉扁即可,浏览器下次会记住这个尺寸。
  • 关闭:点窗口的关闭按钮,或在页面里再点一次「悬浮字幕窗」以外的停止流程。关掉不影响页面继续识别,随时可以再打开。
  • 显示规则:当前句大字居中,上一句小字淡化在同一行下方;只有 1 行时更靠中间、留白更多。
限制窗口初始尺寸由浏览器决定,网页改不了。第一次打开可能偏大,手动拉成窄条后浏览器会记住,之后每次都小。这是浏览器的安全限制,不是 bug。

若提示「浏览器不支持置顶窗」,说明版本太旧,请升级到 Chrome / Edge 116 以上;旧版会退化成普通弹窗,不会被系统置顶。

保存与导出

  • 复制:纯文本,每行形如 [01:23] 这句话的内容,方便贴进笔记、聊天窗口。
  • 导出 SRT:标准字幕文件(UTF-8),文件名带日期时间,可直接拖进 PotPlayer、VLC、剪映、Premiere。
  • 清空:只清当前列表,不影响设置。换片、换课时点一下,时间轴从零开始。
时间轴SRT 的起止时间按「每句约 4 秒」估算(因为识别是流式的,只有开始时刻是准的)。当字幕参考足够;要做正式压制,建议导入后按音频微调。

出问题了

点了共享,也有声音,但一句字幕都不出

先看音量条是否在跳:条不动=声音没抓到,九成是共享弹窗里没勾「分享系统音频/同时分享标签页音频」,重新点一次并勾上即可。

条在跳但没字=多半是音量太小没过阈值,把「收音灵敏度」调到「高」,或把播放音量调大一点。

右上角显示「本地服务未启动 · 改用云端版 →」

你打开的是 127.0.0.1:8788,但本地 Python 服务没在跑。两种选择:双击 start_local.bat 并别关那个黑窗口;或者直接点这个徽标,跳到云端版继续用。

右上角显示「识别服务未连接 · 点此重试」

云端接口一时连不上。先点徽标重试;仍不行就检查网络或代理(部分代理会拦 Cloudflare 的 API 域名)。

注意:健康检查没通不会阻止你开始,识别请求仍会尝试发送,真的失败才会提示。这条提示本身不代表功能坏了。

字幕总是缺半句、跟不上,或整段跳过去

八成是倍速没对上。播放器 2×,这里必须也是 2×。确认后再看「已识别句数」是否随播放稳步增长。

如果是长句被切碎,把「歌词行数」调到 2~3 行看一下前后文,通常能确认是断句问题而非丢音。

3 倍速还是有不少错字

3× 是这套方案的天花板附近。已做的处理是把音频拉回接近 1.5~2 倍的听感(拉到满 3 倍反而更差,会凭空生成「请点赞订阅」这类句子,所以上限锁在 2.2)。

要更准:改用本地版(large-v3 比云端 turbo 强一档),并确保画面外的背景音乐尽量小。

凭空冒出「感谢观看」「请不吝点赞订阅转发」

这是语音模型在静音或音乐段的典型幻觉。程序已经做了两层处理:句尾套话剥离 + 云端置信度/重复度过滤,大部分能拦掉;偶尔仍会漏一条。

如果频繁出现,把灵敏度调低,或直接忽略那一条——它通常出现在片头片尾无对白处。

字幕窗跑到后面去了 / 变成普通弹窗

置顶依赖 Document Picture-in-Picture,需要 Chrome / Edge 116+。旧版本或不支持的浏览器只能开普通窗口,不会被系统置顶。

另外某些全屏独占游戏(DirectX 独占全屏)会盖住所有窗口,改成「无边框窗口」模式即可。

字幕窗太大,缩不下去

初始尺寸由浏览器决定,网页无法指定。手动把窗口下沿往上拖成窄条,浏览器会记住;之后每次打开都是这个尺寸。内容本身在任何尺寸下都是单行居中,不会因为窗口大就撑满。

停止之后,浏览器还在提示「正在共享屏幕」

点页面里的「停止」会结束采集并释放音频;浏览器地址栏下方那条共享提示条需要你手动点「停止共享」才会消失。两者都做完才算彻底关闭。

手机 / 平板能用吗

界面能打开,但置顶歌词窗和系统音频采集都是桌面浏览器能力,移动端不支持。这个工具定位是电脑上看的场景。

复制 / 导出点了没反应

还没有识别出任何一句时会提示「还没有字幕」。先确认已开始并出了第一条字。

双击 start_local.bat 一闪就没了

说明 Python 环境有问题。窗口现在会停在报错处(pause),先看它写了什么:最常见是没装 Python,或安装时没勾 Add Python to PATH。装好 Python 3.10+ 后重新双击即可。

隐私与费用

音频去哪了

  • 本地版:音频只在本机内存里处理,模型也在本地,断网可用。没有任何数据外发。
  • 云端版:每句话被切成一段音频,上传到 Cloudflare Workers AI 做转写,返回文字。不落盘、不做训练数据,用完即弃。

会不会被人蹭

云端接口做了同源校验:只接受来自 caption.xinghai.cyou 页面本身的请求,从别处直接调接口一律拒绝。所以把网址发给别人,他们能用页面,但没法拿你的接口去刷额度。

要花多少钱

云端按音频时长计费,约 0.0005 美元 / 音频分钟,Cloudflare 账号自带每日免费额度,个人日常看剧基本用不满。本地版零费用,只吃电和显卡。

能力边界

这些不是待修的 bug,是方案本身的选择,先说清楚免得你浪费时间:

  • 它做的是「听写」,不是「翻译」。中文语音转成中文字,不会把英文翻成中文,也不会把中文翻成英文。看外语片时只会按中文硬转,结果基本不可用。
  • 一次只抓一路声音。要么整个系统,要么某一个标签页。同时看两个视频,字幕会混在一起。
  • 不区分说话人。多人抢话时是一段连续文字,不会标「甲说/乙说」。
  • 强噪声下会掉字。现场演唱会、嘈杂街头、背景音乐盖过人声,准确率下降明显。
  • 云端版必须联网。页面和识别服务都在 Cloudflare 上,断网即不可用;本地版除首次装依赖、下模型外,之后完全离线。
  • 歌词窗只能是浏览器窗口。它做不到像原生播放器那样吸附在任务栏或嵌入别的窗口,只能在最上层浮着。
一句话把「清晰的单人说话」交给它,准确率在 95% 以上;把「音乐、抢话、外语」交给它,就当个大意参考。