转写文字要放进视频编辑器，还需要时间轴。本文承接 CPU 转写练习，利用 faster-whisper 分段结果的 start、end、text 字段，编写一个本站示例将它们保存为 SRT。代码没有加入智能断句或说话人识别。

先确认基础转写能够输出

先完成 录音转文字入门。确认音频能够读取、段落时间递增，再导出字幕。使用相同音频版本；若视频后续经过裁剪，字幕时间也需要相应调整。

编写 SRT 保存脚本

from faster_whisper import WhisperModel

def srt_time(seconds):
    total = max(0, round(seconds * 1000))
    hours, rest = divmod(total, 3600000)
    minutes, rest = divmod(rest, 60000)
    secs, millis = divmod(rest, 1000)
    return f"{hours:02}:{minutes:02}:{secs:02},{millis:03}"

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, _ = model.transcribe("audio.mp3", beam_size=5)
with open("subtitles.srt", "w", encoding="utf-8") as output:
    for number, item in enumerate(segments, 1):
        output.write(f"{number}\n")
        output.write(f"{srt_time(item.start)} --> {srt_time(item.end)}\n")
        output.write(item.text.strip() + "\n\n")

每条字幕包含序号、起止时间和正文，条目之间留空行。脚本会覆盖当前目录中的同名字幕文件；修改前保存旧版。处理结束后应检查文件不为空，再导入支持 SRT 的播放器或编辑器。

用三个位置检查是否同步

  1. 播放开头，确认第一句的出现时间。
  2. 跳到中间一段，核对文字和发声是否对应。
  3. 播放结尾，检查是否逐渐偏移。

如果始终相差固定时间，检查音频是否有片头差异；如果偏差逐步增加，则要重新核对所用音视频是否属于同一剪辑版本。不要只修第一句就认为全部同步。

可导入不代表适合阅读

人工处理太长的条目、术语拼写和标点，必要时在编辑器中拆分并回听。模型分段不等于最佳字幕断句。保留首次导出和最终校对两个文件，便于判断后期改动。

常见问题

中文乱码怎么办？

本例使用 UTF-8，检查播放器导入编码以及文件是否被其他编辑器重新保存。

能直接获得逐字高亮吗？

本例是分段字幕。逐字时间和卡拉 OK 样式需要另外处理，不能仅靠把一段文字拆成单字获得准确时间。

Windows 实操：创建并验证字幕

  1. 先按本篇链接的入门教程创建虚拟环境、安装 faster-whisper，确认同目录下有 audio.mp3。
  2. 用记事本新建 make_srt.py，复制本文的完整 Python 示例并以 UTF-8 保存。务必选择“所有文件”，避免文件扩展名变成 .txt。
  3. 在同一文件夹打开 PowerShell，执行下面命令。首次下载模型和转写需要等待，不要在文件还没写完时关闭窗口。
.\.venv\Scripts\python.exe make_srt.py

运行完成后应出现 subtitles.srt。记事本打开后的格式应类似下例；内容和时间会随你的音频而不同：

1
00:00:00,000 --> 00:00:02,500
这里是第一段识别文字。

2
00:00:02,500 --> 00:00:05,000
这里是第二段识别文字。

在播放器打开对应音视频，通过播放器的字幕菜单加载 subtitles.srt；先看开头，再跳到中间和结尾。如果文件为空，检查音频是否有可识别语音、模型是否报错；如果报找不到文件，检查终端当前目录和文件名。手动校对后另存一个版本，原脚本再次运行会覆盖 subtitles.srt。

项目来源与许可

原项目：SYSTRAN/faster-whisper。许可说明：MIT，详见原仓库许可与说明。仓库与许可核验于 2026-10-31。本文为本站编写的中文导读与练习设计，不是原教程逐字翻译；未在读者环境执行，运行结果需自行核对。