在 Mac 本机生成 Whisper 字幕、按字词剪画面并合成配音


语音识别、文字剪辑与配音规格
| 环节 | 默认机制 | 细节与可调项 |
|---|---|---|
| 语音识别引擎 | 本机 Whisper(Apple 芯片离线运行) | 录音不上传;也可自配阿里云百炼或 OpenRouter 云端识别 |
| 逐字与整句剪切 | 框选任意字词剪视频(⌘⌫)或仅删文字(⌫) | 时间线实时高亮所选字词对应的成片区间,一步 ⌘Z 完整恢复 |
| 去除停顿(Keep Breath) | 按字词边界切分,默认保留 150 ms 呼吸气口 | 工程复用已有转录缓存无需重复识别;关闭系统音轨时自动忽略系统杂音 |
| 口头禅分级处理 | 无实义语气词默认清理,语义词保留确认 | 默认清理「嗯 / 呃」与「um / uh / er / ah」;「那个 / 就是」「like / so」留供勾选 |
| 字幕断句与章节进度条 | 单条自动断句上限 20 字,支持双语与 SRT 导出 | 任意时长视频只要含 2 个及以上章节即可显示章节轨与成片章节进度条 |
| 字幕配音(Caption Narration) | 按字幕时间轴对齐合成多语种 AI 配音 | 支持替换原声或混音、0%–200% 音量及 0.5×–2.0× 保调变速 |
怎么像改文档一样精确剪掉半句话或口误?
传统录屏软件需要反复放大音频波形找切点。在 Oil Studio 右侧「字幕」检查器的「文字」页中,点击任意一条字幕即可框选其中的几个字——时间线会同步标出这几个字对应的精确画面区间。
按下 ⌘⌫(或点击「剪掉所选文字」),对应的视频画面、麦克风与系统声音会连同文字一起干净收紧;如果只是识别多出了赘字、不想裁切画面,按 ⌫ 选择「仅删所选文字」即可。
为什么自动去除停顿不会把说话切得生硬局促?
单纯按音量门限切静音很容易削掉字尾辅音或吸气声。Oil Studio 将音频能量检测与逐词时间戳结合,切口严格落在字词边界外侧,默认保留 150 ms 自然气口,切点处自动施加平滑音频交叉淡化,鼠标与缩放镜头也会跨切点缓动衔接。
录屏环境太吵或想发英文版,如何用字幕生成 AI 配音?
校对完字幕或将中文字幕翻译为英文后,可在字幕配音面板填入你自己的阿里云百炼、OpenRouter、ZenMux、ElevenLabs、MiniMax 或兼容端点密钥,直接按每条字幕的起止时间生成对齐配音,支持完全替换麦克风原声,并在离线引擎下保持 0.5×–2.0× 变速不变调。
数据流向与使用说明
- 默认完全离线。首次使用本机 Whisper 时仅下载模型权重文件,你的录屏画面、麦克风录音和文字稿不会离开本机。
- 云端服务仅在你填密钥后启用。只有当你主动在设置里填入第三方识别或配音 API Key 并发起生成时,对应音频或字幕文本才会发送至你所选的服务商。
相关验证与对照指南
可结合交互式逐字剪辑演示、云端文档剪辑工具对比及命令行字幕接口进一步核对:
- 按文字稿剪录屏交互演示页studio.oiloil.org
免下载直接在网页中体验划词剪画面、清理口头禅与保留 150 ms 自然气口。
- Oil Studio 与云端文档剪辑工具客观对比studio.oiloil.org
对照本机离线 Whisper 与按月计费云端转录在延迟、隐私与三年成本上的差异。
- oil-studio-skill 字幕与配音 CLI 说明(GitHub)github.com
查看 oilstudio subtitles 与 narration 子命令的参数说明与自动化校对流程。
常见问题
01先用云端识别生成了字幕,点「去除停顿」会重新跑一遍本地识别覆盖掉吗?
不会。只要工程内已有音频指纹与语言匹配的逐词转录缓存,去除停顿会直接复用现有转录,速度在毫秒级且不会覆盖已校对的字幕。
02可以把字幕单独导出给视频平台做外挂字幕吗?
可以。导出成片时既可以把字幕样式直接烧录进画面,也可以随时通过「导出字幕(SRT)…」输出标准时间轴字幕文件。