TL;DR：硬字幕（烧录字幕）是画面的一部分，想拿回可编辑的文字只能靠 OCR — 各工具真正的差别在于要折腾多少环境，以及拿到 SRT 之后还能做什么。在 Mac 或 Windows 上，GeekLink 是综合最佳的选择：自动找出字幕行，把 logo 和水印挡在外面，在本地逐行识别、不用配 Python 或显卡环境，还会把少数没把握的行标出来 — 拿到的 SRT 干净，几乎不用返工。需要翻译和烧录时，同一个 App 里也有。开源提取器（VSE、VideOCR、VideoSubFinder + RapidVideOCR）更适合 Linux 用户，以及有 NVIDIA 显卡、只需要一份原始 SRT 的技术用户。下面把全部 8 种方案（含 3 个 OCR 引擎）放进一张表里对比。
核心要点
- GeekLink 用最少的功夫给你最干净的 SRT。自动识别字幕行（不用手动框选）、过滤 logo 和水印、双行和双语字幕逐行用对应语言的模型识别、标出没把握的行 — 全程不需要 Python、conda 或 CUDA。
- 如果你要的不只是 SRT，只有 GeekLink 能接着往下做 — AI 翻译和烧录是同一个 App 里的可选步骤。
- 开源提取器面向技术用户。VSE 和 VideOCR 依赖 NVIDIA 显卡，纯 CPU 下很慢；VideOCR 和 VideoSubFinder 没有 Mac 版。
- VideoSubFinder 自己不做 OCR。文字识别要靠第二个程序（RapidVideOCR 或 Subtitle Edit）— 两个软件，中间要倒腾一批批图片。
- PaddleOCR、Tesseract 和 Google Lens 是引擎，不是工具。它们只读单张图片；找字幕帧、生成时间轴、去重，是字幕工具在引擎之上补的那一层。
想要一体化桌面流程？GeekLink 可在 Mac 和 Windows 上本地提取烧录字幕 — 框选区域、运行 OCR、得到带时间轴的 SRT。免费档，无需账号。
免费下载第一部分：专用字幕提取工具
这五款是专门为从视频中提取硬字幕（烧录字幕）而打造的。它们主要在平台、工作流需要几步、以及拿到 SRT 之后会发生什么这几点上有区别。
1. GeekLink — 综合最佳：提取最干净、手动活最少（Mac 和 Windows）
价格：免费档（含 OCR 提取）；Pro 每月 $12.99、每年 $99（约 $8.25/月），或一次性终身 $129
平台：Mac（Apple Silicon）和 64 位 Windows
在这份列表里，GeekLink 用最少的手动操作给你一份干净、能直接用的 SRT — 也是唯一有原生 Mac 应用的工具。导入视频后，GeekLink 会自动找出字幕行，不用手动框选，并把 logo、水印和画面里的其他文字挡在字幕列表之外。双行和双语字幕按行处理：你给每一行选语言，每行用对应的模型识别，所以同一帧里的中文行和英文行都能认对。OCR 在本地运行，编辑器会把少数最没把握的行标出来，你只需要检查几行，而不是逐条校对整份文件。遇到特殊版式自动识别不准时，也可以自己画字幕框。
对大多数人来说，到这一步就结束了：导出 SRT 即可。如果还需要更多，同一个 App 还能翻译（Claude 3.5 Haiku、GPT-4o、GPT-4o mini、DeepSeek — 结合上下文，支持 40+ 种语言），并把字幕烧录回视频。
亮点：
- 自动找出字幕行 — 不用手动框选 — 并把 logo、水印和画面文字挡在 SRT 之外
- 支持双行和混合语言字幕，每一行用对应的识别模型
- 标出没把握的行，你只需检查几行，而不是整份文件
- 原生 Mac 应用，另有 Windows 版 — 无需 Python、conda 或 NVIDIA 显卡；OCR 100% 在本地运行；内置批量处理
- 同一个 App 里的可选功能：AI 翻译和带样式的烧录
局限：
- 提供 Mac 和 Windows 桌面版；暂无 Linux 版本或网页版
- 闭源；AI 翻译是付费（Pro）功能 — 提取本身在免费档
最适合：想不折腾环境、从烧录字幕里拿到一份准确 SRT 的人，尤其是 Mac 用户。以后需要翻译或烧录时，功能也都在。分步指南：如何用 OCR 提取硬字幕。
2. Video-Subtitle-Extractor（VSE）— 针对 NVIDIA 显卡优化的开源提取器
价格：免费，开源（Apache 2.0）
平台：Windows、Linux、macOS（为 NVIDIA GPU 调优；CPU 回退很慢）
Video-Subtitle-Extractor 是一款常见的开源提取器，用本地 OCR 把烧录字幕提取成 SRT，支持多种语言。它逐帧检测字幕区域，对重复行去重，并提供 Fast/Auto/Precise 三种模式。在中文社区尤其强势。
亮点：
- 多语言，完全本地，无需 API key
- 可跨多个视频批量提取（同分辨率/同区域）
- 姊妹项目（video-subtitle-remover）可以抹掉旧的烧录字幕文字
局限：
- 偏向 NVIDIA/CUDA — 在 Mac 上会回退到很慢的 CPU 处理
- 如果发布版本对你不好使，就得走 Python/conda 配置；路径不能包含空格或非 ASCII 字符
- 没有内置编辑器、翻译或烧录
最适合：有 NVIDIA GPU、想要免费批量提取的技术型用户，尤其是中文内容。完整对比：GeekLink 对比 VSE。
3. VideOCR — Windows 和 Linux 上的免费一步式提取器
价格：免费，开源（MIT）
平台：Windows、Linux、Docker（CPU 与 NVIDIA GPU 版本）
VideOCR 是从带烧录字幕的视频到成品 SRT，最简单的免费一站式方案。载入视频、裁剪字幕区域、运行 — 它用本地的 PaddleOCR，或在混合云模式下用 Google Lens 读取文字，并写出带时间轴的 SRT。
亮点：
- 真正的一步工作流：视频进、SRT 出
- 本地 PaddleOCR 模式（支持多种语言）或更高准确率的 Google Lens 混合模式
- 图形界面和命令行，外加 Docker 镜像；支持 NVIDIA CUDA 加速
局限：
- 没有 macOS 版本
- 按它自己的文档说明，在 CPU 上很慢 — 你真的会想要 GPU 版本
- 没有可以审校结果的编辑器，没有翻译，没有烧录
最适合：想要免费、省心提取，拿到 SRT 就完事的 Windows/Linux 用户。
4. VideoSubFinder — 两步工作流里的字幕帧检测（自身不做 OCR）
价格：免费，开源（GPLv2）
平台：Windows、Linux
VideoSubFinder 完全不做 OCR — 它把问题的视频那一半解决得比谁都好：找出带字幕文字的帧、记录精确时间轴，并输出去掉背景、清理干净的图片。然后你把这些图片交给一个 OCR 工具（RapidVideOCR、Subtitle Edit、FineReader）来得到文字。字幕组的经典之作。
亮点：
- 出色的背景清理 — 交给你的 OCR 工具的图片要好认得多
- 每一行精确的出现/消失时间轴
- 每个阶段都可检视、可调
局限：
- 自己不做 OCR — 需要第二个程序
- 没有 macOS 版本
- 本文中最手动的工作流：两个 App，中间还夹着一批图片
最适合：想要极致掌控、并要给 OCR 提供尽可能最好的原始图片的字幕组成员和完美主义者。
5. RapidVideOCR — 处理 VideoSubFinder 输出的 OCR 步骤
价格：免费，开源（Apache 2.0）
平台：Windows、Linux、macOS（Python/pip；Windows 有桌面版 EXE）
RapidVideOCR 是专为 VideoSubFinder 工作流打造的后半段：它接收 VideoSubFinder 清理好的图片文件夹（RGBImages/TXTImages），把它们 OCR 成 SRT、ASS 或 TXT。它基于 RapidOCR 引擎，维护活跃。
亮点：
- 专门为 VideoSubFinder 的输出设计 — 时间轴能干净地传过来
- 支持 SRT、ASS 和 TXT 输出
- 可用 pip 安装，跨平台工作
局限：
- 不是独立提取器 — 没有 VideoSubFinder 的图片就没用（而 VideoSubFinder 本身没有 Mac 版本，所以这一对仍然被绑在 Windows/Linux 上）
- 以命令行为主；更友好的桌面版仅限 Windows
最适合：在不用 ABBYY FineReader、也不用手动跑 Subtitle Edit OCR 的情况下，把 VideoSubFinder 的流水线补完。
第二部分：OCR 引擎（不是完整工具）
你还会看到有人推荐下面三个。它们只从单张图片里读文字；都不会找字幕帧、去重或生成时间轴，所以单独用出不了 SRT。
6. PaddleOCR
深度学习 OCR 工具包，中文等 CJK 文字识别很强，也是 VideOCR 本地模式用的引擎。要用在视频上，抽帧、去重和时间轴的代码都得自己写。
7. Tesseract OCR
老牌开源引擎，为印刷文档设计。低分辨率、带样式的视频文字对它很难，除非先把画面清理干净（VideoSubFinder 做的就是这件事）。
8. Google Lens
对杂乱画面识别很准，但只能手动 — 一次一张截图，没有时间轴。VideOCR 的混合模式能自动调用它，代价是要把画面发给 Google。
8 款方案怎么比？
| 工具 | 平台 | 自带 OCR | 到 SRT 的步数 | 翻译 / 烧录 | 价格 |
|---|---|---|---|---|---|
| GeekLink | Mac（Apple Silicon）和 64 位 Windows | 是（本地） | 1 | 是 — AI 翻译 + 带样式烧录 | 免费档；Pro 每月 $12.99、每年 $99、终身 $129 |
| Video-Subtitle-Extractor | Win / Linux / macOS（为 NVIDIA 调优） | 是（本地） | 1 | 否 | 免费（Apache 2.0） |
| VideOCR | Windows / Linux / Docker | 是（PaddleOCR 或 Google Lens） | 1 | 否 | 免费（MIT） |
| VideoSubFinder | Windows / Linux | 否 — 只出图片 | 2（需要 OCR 工具） | 否 | 免费（GPLv2） |
| RapidVideOCR | Win / Linux / macOS（pip） | 是（RapidOCR）— 处理 VideoSubFinder 的图片 | 2（配合 VideoSubFinder） | 否 | 免费（Apache 2.0） |
| PaddleOCR | Python 库 | 仅引擎 | DIY 脚本 | 否 | 免费 |
| Tesseract | 库 / 命令行 | 仅引擎 | DIY / 通过 Subtitle Edit | 否 | 免费 |
| Google Lens | 云端 | 仅引擎（云端） | 手动 / 通过 VideOCR 混合模式 | 否 | 免费 |
你该选哪个？
只想把字幕准确地提取出来，用的是 Mac 或 Windows：GeekLink。导入视频、确认它找到的字幕行、导出 SRT — 不用框选，不需要 Python、conda 或 NVIDIA 显卡，logo 和水印也不会混进文件。提取功能和每月 60 分钟的 OCR 导出额度都在免费版里。
你还需要翻译或烧录：如果字幕还要复查、翻译、再烧录回成片，GeekLink 是这里唯一能在一个 App 里全部搞定的工具 — 其他工具交给你一份 SRT 就结束了。
你用 Linux，或者熟悉 Python、手上有 NVIDIA 显卡：开源提取器（VideOCR、VSE）或 VideoSubFinder + RapidVideOCR 两步路线也能用，只是配置更多，之后没有编辑器、翻译和烧录。
常见问题
提取硬字幕最好的免费工具是哪个？
在 Mac 或 Windows 上：GeekLink 免费版包含自动识别字幕行、本地 OCR 提取和每月 60 分钟 OCR 导出额度，不用配 Python 或显卡环境。在 Linux 上，开源方案（VideOCR，或 VideoSubFinder + RapidVideOCR）免费，但配置更多，而且只输出原始 SRT。
我在 Mac 上怎么提取硬字幕？
GeekLink 是本文列表里同时支持 Mac 和 Windows 的桌面选择 — 开源提取器要么只出 Windows/Linux 版本（VideoSubFinder、VideOCR），要么在 Mac 的 CPU 上跑得很慢（Video-Subtitle-Extractor）。GeekLink 在桌面端本地运行 OCR：导入、在字幕区域画框、运行、导出 SRT。
提取硬字幕需要 GPU 吗？
对于开源提取器，想要合理速度实际上是需要的 — VideOCR 和 Video-Subtitle-Extractor 都是围绕 NVIDIA CUDA 构建的，在 CPU 上很慢。在 Mac 上，GeekLink 在 Apple Silicon 上原生运行它的 OCR，不需要独立 GPU。
这些工具里有能翻译提取出来的字幕的吗？
只有 GeekLink。其他工具都停在原语言的 SRT（或图片）。GeekLink 在 App 内用 Claude 3.5 Haiku、GPT-4o、GPT-4o mini 或 DeepSeek 翻译，跨行使用上下文，并能把翻译后的字幕烧录回视频。
我该用 VideoSubFinder 还是 VideOCR？
两者都只支持 Windows/Linux。VideOCR 一次运行就完成检测和 OCR；VideoSubFinder 只产出清理后的文字图片和时间轴，还需要第二个 OCR 工具（比如 RapidVideOCR）。如果你用 Mac，或者提取之后还要复查、翻译、烧录，GeekLink 在一个 App 里就能走完整个流程。
为什么不直接用 Google Lens 或 Tesseract？
它们是 OCR 引擎，不是视频工具 — 它们读取单张图片。从视频中提取字幕还需要找出哪些帧含有文字、跨帧对重复行去重，并构建时间轴。那个视频层正是 VideOCR、VSE、VideoSubFinder 和 GeekLink 在引擎之上提供的东西。