语音识别
从视频音频中自动转写出字幕文本
什么是语音识别
语音识别功能可以自动分析视频中的音频轨道，将语音内容转写为文字，生成带有时间轴的字幕文件。适用于没有现成字幕的视频，例如自己录制的 Vlog、会议录像、课程视频等。
输出结果为原文的 SRT 字幕文件，可以在字幕编辑器中进一步修改和调整。
使用步骤
- 导入视频到素材库将视频文件拖入极客连的素材库，或点击「添加视频」按钮选择文件。
- 选择「没有字幕，只有音频」在设置面板中选择「没有字幕，只有音频」选项——极客连会从视频音频中识别出字幕（如果同时想要译文，勾选「同时翻译为其他语言」）。
- 选择识别语言在设置面板中选择视频的原文语言，例如中文、英文、日文等。
- 选择识别模型根据你的精度需求和设备性能选择合适的模型。建议从默认的「推荐」开始。
- 点击「运行 语音识别」确认设置后，点击按钮开始识别。批量选中多个视频可同时处理。
- 查看和修改结果识别完成后，点击「打开字幕编辑器」查看转写结果，逐条校对和修改。
识别模型选择
极客连提供多种识别模型，精度和速度各有侧重。首次使用某个模型时会自动下载模型文件。
| 模型 | 文件大小 | 内存占用 | 精度 | 速度 | 适用场景 |
|---|---|---|---|---|---|
| 最快 | 75 MB | ~200 MB | 低 | 最快 | 快速预览、测试 |
| 快速 | 142 MB | ~300 MB | 一般 | 快 | 日常使用、对精度要求不高 |
| 推荐 | 466 MB | ~600 MB | 较高 | 中等 | 默认推荐，精度和速度平衡 |
| 高精度 | 1.5 GB | ~2 GB | 高 | 较慢 | 专业场景、背景噪音较多 |
| 最高精度+快 | 1.6 GB | ~2.5 GB | 最高 | 较快 | 追求最高精度同时保持速度 |
| 最高精度 | 2.9 GB | ~4 GB | 最高 | 最慢 | 极致精度，不在意速度 |
提示
模型越大，精度越高但速度越慢、内存占用越多。如果你的 Mac 内存 8GB 以下，建议使用「推荐」或更小的模型。
更多设置
在应用中点击「更多设置」展开高级选项：
AI 标点修正 PRO
仅修正标点符号，不改动文字内容。对中文场景效果最明显——中文语音识别经常缺少标点，开启后可自动补全逗号、句号等标点符号，显著提升字幕可读性。
综艺模式
针对综艺节目、音乐、老电影等背景音较重的内容优化，在这些场景下提升识别准确率。不建议用于长时间连续的对白。开启「高精度时间轴」时会自动包含该模式，无需同时开启两者。
识别的同时翻译
翻译不需要单独一步。在语音识别面板上勾选「同时翻译为其他语言」，然后选择目标语言和翻译引擎——极客连会在一次运行中完成音频转写和翻译，同时给你原文字幕和译文字幕。翻译引擎的选择详见翻译页面。
什么时候应该拆成两步：如果对准确度有要求，先识别，在编辑器中校对好原文字幕，再进行翻译——干净的原文能得到更好的译文。合二为一更快；分开做则多一个检查点，让你在错误带入译文之前先修正它们。
常见问题
首次使用某个模型很慢？
首次使用新模型时会自动下载模型文件（大小见上表），下载速度取决于网络环境。下载完成后，后续使用该模型会直接启动，无需重复下载。
识别结果有错误怎么办？
语音识别不可能 100% 准确，特别是在背景噪音较大、语速很快或口音较重的情况下。建议识别完成后打开字幕编辑器逐条修改。如果某些词汇经常被误识别，可以使用「自动纠错规则」PRO 批量纠正常见错误。