tmoroney/auto-subs

AutoSubs – 面向视频编辑者的离线AI字幕

功能说明 AutoSubs 是一款桌面应用程序，可将音频或视频文件转换为带时间戳的字幕文件——所有操作均在您自己的计算机上完成。它可完全离线运行，支持数十种语音识别模型（包括 OpenAI Whisper、Moonshine、Parakeet、SenseVoice 等），并能自动标注说话人。生成的字幕可导出为 SRT 或纯文本格式，或直接发送至 DaVinci Resolve、Adobe Premiere Pro 和 After Effects 等主流编辑软件。

为何重要

• 隐私优先 – 无云端调用；所有处理均在本地设备完成，对于高质量语音转文字工具而言极为罕见。
• 创意工作流集成 – 提供行业标准 NLE 的直接插件，使编辑者无需离开时间线即可生成和微调字幕。
• 模型灵活性 – 用户可从一系列本地模型中选择，从轻量快速模型到大型高精度 Whisper-large 或俄语、中文等专用模型，自由平衡速度、内存占用与准确率。
• 跨平台支持 – 提供 Windows、macOS（Intel & Apple Silicon）和 Linux 的原生安装包，同时支持 Homebrew。

工作原理

1. 在独立 UI 或通过 Resolve/Adobe 扩展中选择源文件（音频或视频）。
2. 从内置模型管理器中选择语音识别模型；应用会按需下载模型文件。
3. 音频输入所选模型（通过 Whisper-rs、ONNX Runtime 或其他后端运行）。VAD 模型分离出语音部分，说话人分离（diarization）模型标记说话人，可选地，强制对齐（forced-alignment）模型添加单词级时间戳。
4. UI 显示生成的字幕供编辑；可调整说话人标签、时间或样式。
5. 导出 – 保存为 SRT 文件、复制到剪贴板，或推送到 Resolve/Premiere/After Effects。

关键技术组件

• 基于 Rust 的核心 – 使用 whisper-rs 处理 Whisper，transcribe-rs 处理 ONNX 模型，pyannote-rs 处理说话人分离。
• 模型管理器 – 管理模型文件的按需下载、验证和缓存（大小从约 60 MB 到 >3 GB）。
• 集成支持 –
  • DaVinci Resolve：Lua 服务器 + Fusion 宏，允许应用读取时间线音频并写入字幕轨道。
  • Adobe：CEP 扩展，与 Premiere Pro/After Effects 通信以导入/导出 SRT。
• CLI – 完整的命令行接口，适用于脚本或无头使用（参见 CLI.md）。

适合人群

• 不愿支付云服务费用，但需要快速准确字幕的视频编辑者。
• 关注数据隐私的内容创作者。
• 希望拥有本地运行的语音转文字栈，并可通过开源 Rust 代码扩展应用的开发者。

快速上手 从发布页面下载合适的安装包（macOS 用户可使用 brew install --cask auto-subs）。启动后，按照 README 中的快速入门步骤生成字幕，或查阅 CLI 指南进行批量处理。

许可证与模型条款 应用程序代码采用 MIT 许可证。语音识别模型需单独下载，并保留其原始许可证（例如 MMS 强制对齐权重为 CC BY-NC 4.0）。用户必须遵守这些模型的许可证条款。

---

所有信息均直接来自仓库的 README；未推断任何额外功能。