1. 内容整体设计与思路拆解1.1 从视频到字幕中间发生了什么先说结论用 ffmpeg 加 autosub 这套组合可以在 Mac 上实现“丢一个视频进去自动吐出一份带字幕的成片”全程不需要手动打字、不需要对着时间轴一帧一帧校对。我最早接触这个需求是因为要给手上的视频素材做中文字幕当时试过手动听写一部十几分钟的视频折腾了快一天后来才发现 autosub 这类工具早就把链路跑通了。拆开来看自动加字幕这件事本质上由 4 个环节组成提取音频、语音识别、生成字幕文件、把字幕嵌入视频。ffmpeg 负责第一件事和最后一件事autosub 负责中间两件事。ffmpeg 从视频里抽出一段干净的音频autosub 把音频丢给语音识别引擎识别引擎返回带时间戳的文本autosub 再把这些文本整理成标准 srt 字幕文件最后又轮到 ffmpeg 把字幕烧进画面。很多人第一次接触时会有一个误解以为 autosub 是“一键生成字幕”的全能工具。实际上 autosub 的核心是一个调度器它本身不做语音识别而是调用了后端的识别引擎。默认情况下 autosub 使用 Google 的 Web Speech API但在国内网络环境和中文语音场景下这个默认配置的体验并不稳定。所以真正用得顺手的方案是让 autosub 对接本地识别引擎或者干脆用支持本地模型的变体版本。1.2 为什么选 ffmpeg autosub 这套组合市面上不是没有现成的自动字幕软件Mac 上也有很多付费工具能做到“拖进去就出片”。但我个人更推荐命令行方案的三个原因很直接第一ffmpeg 和 autosub 都是开源免费的没有试用期、没有水印、不限制视频条数第二命令行方案可以脚本化我今天处理 1 条视频和明天处理 50 条视频用的都是同一套命令只是丢进文件夹批量跑第三全程本地处理视频不用上传到第三方服务器对于采访素材、内部培训视频这类不方便外传的内容来说这一步很关键。当然这套组合也有它的门槛。最明显的就是环境配置麻烦Homebrew、Python、ffmpeg、语音识别模型任何一环出问题都会卡住。这篇文章会把我在 Mac 上从零搭通这套流程的完整过程、踩过的坑、以及最终的优化参数都记下来方便你少走弯路。2. 环境准备Mac 上安装 ffmpeg 的正确姿势2.1 先搞定 Homebrew否则后面全是坑ffmpeg 在 Mac 上最省心的安装方式就是用 Homebrew但“mac 安装 homebrew 报错”这个搜索词常年挂在热榜上我自己也见过各种奇怪的报错。最常见的一种是安装脚本执行到一半卡住或者提示curl: (7) Failed to connect to raw.githubusercontent.com port 443这本质上是因为安装脚本要从 GitHub 拉取资源而网络链路不稳定导致的。如果你遇到这类问题不要反复重试原版命令安装脚本本身就提供了镜像源方案。国内用户可以直接用清华或中科大的 Homebrew 镜像典型的做法是设置环境变量后再执行安装脚本。以中科大镜像为例先导出镜像地址再运行安装命令整个下载过程会流畅很多。装完 Homebrew 之后建议顺手把 brew 的更新源也切到镜像否则后续brew install ffmpeg的时候还是会卡在下载阶段。注意改完镜像源之后执行brew update时如果出现fatal: unable to access之类的报错可以去~/.gitconfig里检查是否有残留的代理配置有的话先清理掉再重试。Homebrew 本身装好之后安装 ffmpeg 就是一条命令的事brew install ffmpeg这条命令会把这个视频处理工具箱连同它的依赖一起装进系统包括 x264、x265、libvpx 这些常用的编解码库。安装过程通常会持续几分钟取决于网络状况。装完之后验证一下版本ffmpeg -version能看到版本号输出就说明 ffmpeg 已经就绪。这里多说一句如果你在 mac 上还装了其他视频处理软件比如一些打包了 ffmpeg 的图形化工具终端里执行ffmpeg时可能命中的不是 Homebrew 版的 ffmpeg而是那个软件自带的老版本。遇到版本异常时用which ffmpeg看看路径确认是不是/opt/homebrew/bin/ffmpegApple Silicon Mac或/usr/local/bin/ffmpegIntel Mac。2.2 Python 环境与 autosub 安装autosub 是一个 Python 命令行工具它的安装方式很简单但依赖环境有一定要求。我当初在 macOS 系统自带的 Python 上直接装遇到了权限报错后来统一改用 Homebrew 的 Python 才顺利通过。个人建议在装 autosub 之前先确认 Python 版本3.8 到 3.11 之间比较稳妥太新的版本可能遇到依赖库不兼容的问题。先把 pip 升级到最新python3 -m pip install --upgrade pip然后安装 autosubpython3 -m pip install autosub不出意外的话这一步会把 autosub 以及它依赖的 google-cloud-speech、pysrt 这些库一起装上。装完可以验证一下autosub --help能看到帮助信息就说明安装成功。如果你在这一步遇到ModuleNotFoundError之类的报错大概率是 Python 环境太乱导致依赖装串了。我试过最快的解决办法不是去逐个排查缺什么库而是直接用python3 -m venv建一个干净的虚拟环境把 autosub 装在虚拟环境里虽然多一步操作但能避免污染系统 Python 环境带来的一堆连锁问题。2.3 语音识别引擎的选型autosub 的默认识别引擎是 Google Web Speech但这个接口对国内的网络环境不太友好而且免费接口有调用频率限制识别长视频时经常断。实践中我更推荐两个替代方向。第一个方向是 Vosk这是一个支持离线的语音识别引擎autosub 可以通过--engine vosk参数直接调用它。Vosk 的优点是全程本地识别、不依赖网络对隐私性要求高的场景很合适缺点是需要先下载模型文件中文模型大约 1GB 左右而且识别准确率相比大厂云端服务略逊一筹对于口音重、背景噪音大的视频效果会打折扣。第二个方向是 Whisper这是目前开源语音识别里效果最理想的一档。原版 autosub 不直接支持 Whisper但社区里有改造过的 autosub-whisper 变体安装和用法几乎一样。Whisper 的准确率明显高于 Vosk尤其是中英文混合的场景而且它对时间戳的切分更精准生成的字幕断句也更自然。缺点是对 Mac 的性能要求比较高Apple Silicon 芯片跑起来还算流畅 Intel Mac 处理长视频时等待时间会比较长。我的建议是如果你的 Mac 是 M 系列芯片直接用 Whisper 路线效果差距值得多等一会儿如果机器配置较老或者视频大多是安静的室内录音Vosk 其实也够用。下表是几个引擎的快速对比引擎是否离线中文准确率资源占用适用场景Google Web Speech否一般低应急试用Vosk是中等中等隐私敏感、网络不稳Whisper是较高高追求准确率、M芯片设备3. 字幕生成实操autosub 的完整上手手册3.1 一条命令生成 srt 字幕文件环境就绪之后字幕生成的核心命令其实非常简单。假设我有一个名为interview.mp4的视频文件想要生成中文字幕最基础的命令是autosub -S zh -D zh interview.mp4这里的-S指定音频源语言-D指定字幕输出语言。执行完之后同目录下会生成一个interview.srt文件。打开看看里面应该是带时间轴的文本块比如1 00:00:01,000 -- 00:00:04,500 大家好今天我们来聊聊自动字幕生成的问题第一条字幕能顺利出来说明整条链路已经打通了。但实际用的时候我很少直接用默认参数跑因为默认参数在音频质量一般时识别结果会很碎。我最终常用的命令长这样autosub -S zh -D zh -m 200 -M 5000 -C interview.mp4这几个参数的含义分别是-m 200表示合并小于 200 毫秒的过短片段-M 5000表示拆分超过 5 秒的过长片段-C表示对字幕做断句合并处理。简单说就是在保证字幕不碎、不断错句的前提下让时间轴更干净。这个参数组合是我在十几条视频上试出来的适合大多数访谈类和口播类内容。3.2 批量处理视频的技巧单条视频跑通了下一步自然想到批量处理。用 shell 循环遍历目录下所有 mp4 文件就行for f in *.mp4; do autosub -S zh -D zh -m 200 -M 5000 $f done这里要注意一点如果文件名包含空格$f必须加引号否则命令行会把文件名拆成多个参数导致 autosub 报错找不到文件。另外批量处理是一个耗时很长的过程建议用nohup挂后台执行日志重定向到文件不然终端一关任务就断了nohup bash -c for f in *.mp4; do autosub -S zh -D zh -m 200 -M 5000 $f; done subtitles.log 21 处理长视频时我会额外建议先观察前 1-2 分钟的字幕质量确认无误后再挂后台跑完整批。不然 5 个小时跑完回头发现引擎选错了浪费时间不说心情也会很糟糕。3.3 字幕生成后的文本清理autosub 生成的 srt 文件不是拿来就能用的。语音识别毕竟是机器在做常出现的问题有同音字错误比如把“权限”识别成“全选”、断句位置奇怪、标点符号缺失、数字和英文术语拼错。我的习惯是生成后先整体浏览一遍发现错误直接在 srt 文件里改。如果你在终端里用vim打开发现中文字幕乱码先把文件编码转成 UTF-8iconv -f UTF-16 -t UTF-8 interview.srt interview_utf8.srt这个问题的根源在于 srt 文件可能是 UTF-16 或 GBK 编码而 ffmpeg 和大多数播放器默认按 UTF-8 解析。这也是很多人烧录字幕时遇到“字幕没显示”问题的最大原因之一先检查编码再检查其他环节。4. 用 ffmpeg 把字幕做成硬字幕4.1 软字幕和硬字幕怎么选字幕生成之后嵌入视频有两条路线。软字幕是把 srt 文件作为独立轨道放进视频容器里播放器可以随时开关、切换语言硬字幕是把字幕像素直接烧到画面上任何播放器打开都能看到但无法关闭。对于要发到视频平台、或者发给不懂怎么开字幕轨道的朋友硬字幕更省心。我这边的实际场景是给短视频加字幕平台后台虽然支持上传字幕文件但流程繁琐而且编辑时经常错位干脆直接在交付前烧录成硬字幕。如果你的目标只是自己观看、或者发到 YouTube 这类支持多轨字幕的平台软字幕反而更好因为可以方便地修改错别字。4.2 硬字幕烧录的核心命令ffmpeg 烧录硬字幕靠的是 subtitles 滤镜基础命令如下ffmpeg -i input.mp4 -vf subtitlesoutput.srt -c:a copy output.mp4这条命令会把 output.srt 里的字幕叠加到视频上音频直接复制不重新编码。但如果你在 Mac 上一跑大概率会发现两件事一是中文字幕变成了方块或者干脆没显示二是报错提示找不到字体。这都是因为 subtitles 滤镜默认使用英文字体遇到中文字符时就罢工了。解决中文字体问题的办法是在 invoke 里指定字体路径和字体名。Mac 上中文字体一般是 PingFang、STHeiti 这些在滤镜里用force_style指定。比较稳的写法是ffmpeg -i input.mp4 -vf subtitlesoutput.srt:force_styleFontNamePingFang SC,FontSize16,PrimaryColourH00FFFFFF,OutlineColourH00000000,Outline1 -c:a copy output.mp4这里面的几个样式参数含义是FontName指定字体名称FontSize指定字号PrimaryColour指定字幕颜色OutlineColour指定描边颜色Outline指定描边厚度。注意PrimaryColour的取值是 BGR 顺序的十六进制H00FFFFFF实际是白色这是 ASS 格式的颜色编码习惯和常见的 RGB 正好反着不熟悉的话很容易在这里折腾半天。我在实际项目中常用的字幕后处理参数组合如下表所示参数推荐值作用FontNamePingFang SC中文字体Mac 自带FontSize16 或 18字号1080p 视频推荐 18Outline1 到 2描边厚度建议 1 就够Shadow0 或 1阴影我一般不开MarginV30 左右离画面底部的距离4.3 一个容易忽略的坑字幕文件路径与转义ffmpeg 的 subtitles 滤镜对文件路径里的特殊字符非常敏感。如果 srt 文件就在视频同目录直接写文件名一般没事但如果文件在子目录里比如subs/output.srt直接写在滤镜里可能会报错。因为滤镜参数里冒号、逗号都有特殊含义需要用反斜杠或引号处理。最省心的做法是把 srt 文件先复制到和视频同目录再用相对文件名调用。另外一个高频坑是明明 srt 文件在滤镜也指定了但烧出来的视频没有字幕。这时候先排除编码问题参见前面 UTF-8 那段再用 ffmpeg 单独测试字幕轨道是否被识别ffmpeg -i output.srt -f null -如果这一步能正常输出字幕信息说明 srt 本身没问题问题大概率出在滤镜参数写法上。顺便说一句如果你处理的视频本身带有音轨烧录时建议保留原音频不重编码也就是-c:a copy既快又无损否则 ffmpeg 默认会重新编码音频耗时且可能有质量损耗。5. 常见问题与排查记录5.1 ffmpeg 安装与调用异常问题执行 ffmpeg 提示 command not found。原因通常是 Homebrew 安装失败或者 PATH 里没有包含 Homebrew 的 bin 目录。Apple Silicon Mac 上需要确认/opt/homebrew/bin是否在 PATH 中Intel Mac 则是/usr/local/bin。排查命令echo $PATH which brew问题brew install ffmpeg 时长时间卡在 Updating 阶段。这是 Homebrew 安装的经典痛点处理方式是把更新源切到镜像。切完镜像源后如果还卡着多半是之前的更新任务占用了锁删除/opt/homebrew/var/homebrew/locks下的锁文件再重试。问题Autosub 报错提示找不到 ffmpeg。autosub 依赖 ffmpeg 来处理音频提取它是在系统 PATH 里搜索 ffmpeg 的。如果 ffmpeg 已经用 Homebrew 装了但 autosub 还是报这个错检查一下which ffmpeg的路径是否在 autosub 的搜索范围内。最直接的办法是把 ffmpeg 的命令路径做个软链到/usr/local/binln -s /opt/homebrew/bin/ffmpeg /usr/local/bin/ffmpeg5.2 识别质量不理想怎么处理问题中文字幕错字太多。语音识别对音频质量非常敏感。如果原视频是现场收音环境噪音大或者说话人语速快、口音重错字率自然会高。我一般的处理顺序是先用 ffmpeg 对音频做降噪预处理再交给 autosub 识别。降噪可以用 ffmpeg 的highpass和lowpass滤波组合把 80Hz 以下和 8000Hz 以上的频率切掉顺便把音量标准化ffmpeg -i input.mp4 -af highpassf80,lowpassf8000,volume20dB -vn temp_audio.wav虽然麻烦了一点但对识别准确率的提升很显著尤其是户外录制或会议录音这类素材。另外如果原视频声道是双声道建议先转成单声道识别引擎处理单声道音频会比立体声更稳定。问题字幕时间轴偏移和说话内容对不上。这种情况通常是原视频有片头片尾或者中间有长时间静音段导致识别引擎对时间轴的判断有偏差。处理方式是先用播放器观察偏差量然后用 ffmpeg 的adelay或直接在 srt 文件上批量调整时间轴。我写过一个小脚本用 Python 的 pysrt 库来统一偏移所有字幕时间import pysrt subs pysrt.open(output.srt) offset pysrt.SubRipTime(milliseconds1500) for sub in subs: sub.start offset sub.end offset subs.save(output_adjusted.srt)这个脚本的原理非常简单就是遍历所有字幕条目把开始时间和结束时间统一加上一个偏移量适合整片统一偏移的情况。如果只有某一段错位那建议还是回到原视频看看那段是不是有其他干扰。5.3 Mac 机型相关注意事项Apple Silicon 和 Intel Mac 在跑这套流程时体验差距不小。M 系列芯片跑 ffmpeg 的硬件编码-c:v h264_videotoolbox效率很高一条 10 分钟的视频烧录硬字幕几十秒就能完成。Intel Mac 虽然没有视频硬件编码的巨大优势但跑语音识别时也能用 CPU 硬扛只是时间上会慢一些。另外提醒一句如果 Mac 的内存只有 8GB跑 Whisper 大模型时可能遇到内存不足导致进程被杀死。这种情况可以用 Whisper 的 small 或 base 模型牺牲少量准确率换取稳定运行。Vosk 的中文模型比 Whisper 的 base 模型更轻量最吃内存的启动阶段也比较平缓是老机器上更稳妥的选择。6. 从单条命令到批量流水线环境搭好、单条命令跑通之后很多人会停下来觉得“能用就行”。但命令行方案最值得投入的地方恰恰是把它变成一条自动化流水线。我现在的工作模式是把所有待处理视频丢进一个input文件夹脚本自动完成音频提取、语音识别、字幕生成和硬字幕烧录最后把成片输出到output文件夹。全程不需要人盯。这个脚本的核心并不复杂就是把这篇文章里提到的几条命令串起来。关键的处理逻辑有两点一是每个步骤之间检查上一步是否成功生成文件失败就直接跳过并打印日志二是对 srt 文件先做编码转换再进入烧录环节避免中文字幕乱码。处理完成后脚本会生成一个简单的报告列出每个视频的处理耗时和生成的字幕条数。把这个流程跑顺之后我最大的感受是自动加字幕这件事真正耗时间的不是机器识别和烧录而是前期环境搭建和后期字幕校对。机器能帮你省掉 80% 的听写时间但剩下 20% 的错字修订和时间轴微调目前还没有工具能完全替代人工判断。不过这已经比纯手工逐句打字快出好几个数量级了对于每周都要生产视频内容的人来说值得花一个下午把整套环境搭好。最后分享一个小技巧如果你经常要给同类型的视频加字幕可以把常用的滤镜参数和识别参数写进一个配置文件连同处理脚本一起放进 Git 仓库管理。这样换新电脑、或者帮同事搭环境时两条命令就能复原整套流程不用再去翻文档回忆当初是怎么配的。我后来换了新 Mac整套环境从零到跑通用这个方式半小时就搞定了。
