剪映最近风很大，但网上的教程要么太浅要么是广告，我来说点实在的。
上个月帮朋友整理一场两小时的行业沙龙录音，我用Whisper跑了一遍，全程没联网，字幕文件直接落地。
先说清楚这工具是干嘛的。Whisper是OpenAI开源的语音转文字模型，能本地跑，不花钱，支持中文和一堆外语，输出带时间轴的字幕文件。剪映的字幕功能是另一条路——在线、点开就用、自动识别还能顺手剪辑。这两个放一起比，其实比的是“自己动手”和“开箱即用”。
我的实际操作流程是这样。第一步，装环境。我用的是Windows，装了Python 3.10，然后pip install openai-whisper，等了大概6分钟下载模型。这里有个坑，默认拉的是medium模型，1.5G左右，如果你机器显存小，直接换small，别硬撑。第二步，把录音转成wav，采样率16000，我用的是免费的Audacity，导出花了不到1分钟。第三步，命令行敲whisper audio.wav –model small –language Chinese –output_format srt，两小时音频跑了差不多11分钟，出来一个srt文件。第四步，把srt拖进剪映或者Premiere对轴，改改错别字。准确率方面，普通话清晰的部分基本没大错，专业术语会翻车，比如“私域”被识别成“思域”，我手动改了7处。
优点有三个。一是免费且离线，敏感会议录音不怕上传；二是批量处理省心，我一次丢进去3个文件，去泡了杯咖啡回来就好了；三是输出格式全，srt、vtt、txt随便选。不足也明显：装环境对小白不友好，我第一次跑报错缺ffmpeg，折腾了20分钟；另外没有实时预览界面，改错字得在字幕软件里弄，不像剪映那样边听边改。
适合谁呢？经常处理长录音、对隐私敏感、或者要批量转写播客和访谈的人。如果你只是给一条三分钟短视频配字幕，剪映点两下就完事，没必要折腾Whisper。
新手避坑就一条：第一次跑先用small模型加一段5分钟短音频试水，确认流程通了再上长文件，别一上来就丢两小时录音，报错的时候你都不知道错在哪。
（截图里的界面版本可能和你看到的不太一样，以最新的为准）
常见问题FAQ
Q：这玩意儿要收费吗？
A：模型本身免费，OpenAI开源的。你花的是电费和硬盘空间，medium模型大概1.5G，跑起来风扇会响。
Q：新手能直接上手不？
A：会敲命令行就能，纯图形界面党建议先用剪映。装Python那步卡住的话，去搜“whisper 一键安装包”，有人做了打包版，省事不少。
小提示：如果你也想搭建自己的 AI 网站或跑 AI 应用，腾讯云新用户有云服务器特惠，轻量服务器性价比很高，可以点这里看看优惠。