企业官网建设流程全解析

字幕提取工具完整上手指南：把视频里的硬字幕一键变成可编辑的srt文件

【免费下载链接】video-subtitle-extractor视频硬字幕提取，生成srt文件。无需申请第三方API，本地实现文本识别。基于深度学习的视频字幕提取框架，包含字幕区域检测、字幕内容提取。A GUI tool for extracting hard-coded subtitle (hardsub) from videos and generating srt files.项目地址: https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor

你是不是也遇到过这样的场景：网上下载了一部带硬字幕的剧集，想把台词导出来做笔记，却发现字幕是"焊"在画面里的，既不能复制也不能翻译；或者你是个剪辑博主，好不容易找到一段珍贵素材，视频里的字幕却成了干扰，只能一帧一帧手动打轴。video-subtitle-extractor（简称 VSE）就是为解决这个痛点而生的：它是一款完全本地运行的字幕提取工具，无需申请任何第三方 API，就能把视频中的硬字幕识别出来并生成 srt 字幕文件。

先跑起来：三分钟跑通第一个字幕文件

在深入理解原理之前，先让工具在你电脑上转起来。下面是最小可用的安装流程，全程不需要写一行业务代码。

第一步：准备 Python 3.12+ 环境

Windows 用户直接去官网下载 Python 3.12 安装包；macOS 用户可以用brew install python@3.12；Ubuntu/Debian 用户执行sudo apt update && sudo apt install python3.12 python3.12-venv。

第二步：克隆代码并创建虚拟环境

git clone https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor cd video-subtitle-extractor python -m venv videoEnv source videoEnv/bin/activate # Windows 用 videoEnv\Scripts\activate

第三步：按你的硬件装依赖

没有独显的电脑直接装 CPU 版即可：

pip install paddlepaddle==3.3.1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/ pip install -r requirements.txt

NVIDIA 显卡用户改成装 GPU 版（CUDA 11.8）：pip install paddlepaddle-gpu==3.3.1 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/；AMD/Intel 显卡走 DirectML，追加执行pip install -r requirements_directml.txt。

第四步：运行

python gui.py # 图形界面版 # 或 python ./backend/main.py # 命令行版

打开 GUI 后，点击【打开】选择一个视频，用鼠标框出字幕出现的区域，点【运行】。视频不长的话，一两分钟内就能在输出目录里拿到xxx.srt文件。先把流程跑通，具体原理我们往下看。

能力全景图：这个工具到底能做什么

VSE 不是只能"识别字幕"这么简单，它把整个链路都做成了开箱可用的功能，先看一张全景表快速判断它适不适合你：

最打动我的一点是它的"识别模式"设计，三种模式对应三种不同需求：快速模式用轻量模型跳帧采样，速度快但可能丢少量字幕；自动模式让程序根据 CPU/GPU 自动选模型，是官方推荐的开箱选择；精准模式逐帧检测，几乎不丢字幕，但速度非常慢，只在字幕轴缺失严重时才建议启用。

原理大白话：给画面里的文字"拍照、定位、念出来"

你不需要懂深度学习也能理解 VSE 的工作方式，它本质上是一套"三步走"流水线。

第一步：挑帧。视频每秒有几十帧画面，但字幕通常好几秒才换一行。VSE 不会傻乎乎地把每一帧都拿去识别，而是按你设置的频率抽帧（backend/config.py里的ExtractFrequency，默认每秒抓 3 帧），把"有字幕变化的瞬间"尽量捕捉到，既省算力又不漏字幕。

第二步：定位。抽出来的帧进入文本检测环节，由backend/tools/subtitle_detect.py里的检测模型找出画面中"哪里像文字"。这一步相当于给文字区域画一个绿色框，你可以在运行界面里亲眼看到这个框选过程。用户手动圈定的字幕区域（backend/bean/subtitle_area.py里的SubtitleArea）会帮它排除掉水印、台标这些干扰。

第三步：认字。框出来的文字区域交给backend/tools/ocr.py里的 PaddleOCR 识别引擎"念"出内容，再经过backend/tools/reformat.py做后处理：把连在一起的英文单词切分开、去掉重复字幕行、按帧号对齐时间轴，最终生成 srt 文件。你可以把这三步理解成：先翻书（挑帧）、再圈重点（检测）、最后抄写（OCR）。

说完了原理，接下来看它在一个真实任务里能产出什么。

实战案例：把一部外语剧变成双语学习笔记

目标：把一段日剧视频的字幕提取出来，整理成可用于跟读学习的文本。

操作步骤：

1. 把视频文件放到纯英文路径下，例如D:/videos/anime_ep01.mp4（原因见下文避坑指南）。
2. 打开 GUI，选择视频，将字幕框拖到画面下方字幕出现的区域。
3. 右侧"视频字幕的语言"选"日本語"，识别模式选"快速"。
4. 打开"生成TXT文本字幕"开关，点运行。

前后对比：运行前你只有一段无法复制、无法搜索的视频；运行后你会得到xxx.srt（带时间轴的完整字幕）和xxx.txt（纯文本台词），可以直接导入笔记软件做生词标注。

效果评价：官方演示数据里，一段 3597 帧、帧率约 30 的视频在快速模式下约 40 秒完成处理（demo 截图右上角日志可见），这个速度对日常学习完全够用。如果识别出现个别错别字，别急着换工具——编辑backend/configs/typoMap.json，把常见的识别错误映射进去，例如"l'm": "I'm"、"威筋": "威胁"，之后每次提取都会自动纠正。

避坑指南：新手最容易卡住的 4 个问题

Q1：为什么我运行后没有任何输出？八成是环境问题。先确认你的 CUDA 版本和显卡驱动匹配（NVIDIA 官网可查显卡支持的 CUDA 版本），再确认 PaddlePaddle 装的是 GPU 版而非 CPU 版。命令python -c "import paddle; print(paddle.is_compiled_with_cuda())"可以一键验证。

Q2：视频和代码路径不能有中文和空格，是真的吗？是真的，这是项目文档里明确标注的硬性要求。D:\下载\vse\运行程序.exe、E:\study\sanshang youya.mp4这类路径都可能触发编码相关未知错误。先把所有文件挪到纯英文路径下再运行，能省掉 80% 的排查时间。

Q3：为什么快速模式会丢字幕轴？因为快速模式是跳帧采样的，字幕刚好在采样间隙内一闪而过就可能漏掉。解决办法很直接：先试试自动模式（GPU 下会自动换用大模型），仍然缺失严重再上精准模式。

Q4：批量提取时有什么要注意的？批量提取时，确保所有视频的分辨率和字幕区域一致。比如统一是 1080p、字幕都在底部，否则框选区域对不上，提取质量会大打折扣。

进阶调优：不同场景下的推荐配置

VSE 的参数都集中在backend/config.py，调整后立即生效。下面这张对比表帮你理解"参数之间如何取舍"：

核心逻辑就一句话：速度、显存、准确率是三个互斥的旋钮，先明确你的优先级，再动参数。比如DropScore（置信度阈值，默认 75）调高会更严格地过滤低质量识别，但也可能把本来就模糊的字幕整行丢掉。

社区与贡献：怎么求助、怎么参与

• 报 Bug 与提建议：项目在 Issues 和 Discussion 区长期开放，改进意见直接提即可；如果你在 Linux/macOS 上用了未测试的 ONNX 后端，记得在 Issues 里说明环境，便于维护者复现。
• 开发者交流：官方维护有 QQ 交流群（295894827），新手遇到环境问题在群里求助通常比独自排查快得多。
• 上手贡献：代码结构很清晰——backend/tools/下每个模块职责单一，想从subtitle_detect.py的文本检测或hardware_accelerator.py的硬件适配入手都比较友好；backend/interface/下的 ini 文件是各语言界面翻译，想做本地化贡献从这里改起门槛最低。
• 联动生态：VSE 常与它的姊妹项目 video-subtitle-remover（VSR）配合使用，先用 VSE 提取字幕、再用 VSR 去除原硬字幕，实现"去水印+留外挂字幕"的完整工作流。

结语：你的下一步

一句话总结 VSE 的价值：把"字幕在画面里"变成"字幕在文件里"，全程本地完成、隐私可控、零 API 成本。它可能不会比云端服务更聪明，但它足够快、足够透明，并且把选择权——识别模式、语言、硬件、纠错规则——全部交到了你手里。

现在你只需要做一件事：按上面的四步把它跑起来，拿test/目录里现成的测试视频（test_cn.mp4、test_en.mp4、test_japan.mp4等十几个样本）试一次，亲眼看看字幕从画面变成 srt 的全过程。跑通之后，无论是做双语学习、批量整理素材，还是动手改一改它的源码，你都站在了一个非常扎实的起点上。

【免费下载链接】video-subtitle-extractor视频硬字幕提取，生成srt文件。无需申请第三方API，本地实现文本识别。基于深度学习的视频字幕提取框架，包含字幕区域检测、字幕内容提取。A GUI tool for extracting hard-coded subtitle (hardsub) from videos and generating srt files.项目地址: https://gitcode.com/gh_mirrors/vi/video-subtitle-extractor