Reelary
免费 · 浏览器里直接跑 · 不上传

自动生成字幕，改完直接导出

视频拖进来，一分钟内出字幕。Whisper 就在浏览器里听写，自动断成一眼能扫完的短句，直接叠在画面上，哪个字错了点一下就能改。可以下载 SRT，也可以把字幕压进视频。免费，无水印，不上传。

文件只在这个浏览器标签页里处理，不会传到任何服务器。第一次用会从 Hugging Face 下载 AI 模型并缓存下来，之后打开更快，断网也能用。

四步加好字幕

  1. 把视频拖进框里。Whisper 一边听写，预览区一边开始播放。
  2. 竖屏短视频选短字幕，横屏长视频和影视选标准字幕。生成完也能随时切换。
  3. 把字幕列表过一遍：点时间码就播那一句，听错的字直接改，多余的行删掉。改一个字，预览马上跟着变。
  4. 下载 SRT 或 VTT；或者选好样式点压进视频，另存一份字幕印在画面上的视频。

外挂 SRT，还是压进画面？

SRT 文件就是外挂字幕：一个记着时间和文字的小文本文件，和视频分开放。观众可以自己开关，YouTube 和 Vimeo 会把字幕内容收进搜索，所有剪辑软件都能导入。上传 YouTube 时一起传上去（字幕，然后上传文件），或者直接拖进 Premiere Pro、Final Cut Pro、达芬奇的时间线。WebVTT 是同一种东西，给网页播放器和 HTML5 的 <track> 用。

压进画面的字幕，也就是硬字幕，直接成了画面的一部分，放到哪个平台都能看到。短视频基本都这么做：很多人刷视频是静音的，而抖音、Reels、Shorts 也不一定读得了字幕文件。缺点是压进去就改不了、关不掉，所以 SRT 最好也留一份。

字幕是怎么生成的

页面先用浏览器自带的解码器解出声音，再用 Transformers.js 跑 OpenAI Whisper，有 WebGPU 就用显卡，没有就用 CPU。Whisper 吐出来的是一整句一整句的片段，带起止时间，直接上屏太长了，所以会按你选的长度再切成几条，尽量在句末断开，每条按字数比例分走这一段的时长。

压字幕同样在本地完成：浏览器把视频放一遍，每一帧连同字幕画到 canvas 上，再带着原声录下来。不用下载 ffmpeg，也不经过服务器，所以两分钟的片子大概就要两分钟，文件全程不离开你的电脑。录制时别把这个标签页切到后台。

让字幕少出错

  • 片子很短或者开头是音乐，就手动选语言，自动检测只听开头那几秒。
  • 环境吵、口音重、人名多，换 Whisper Small。模型大一些，但错字少很多。
  • 人名和品牌名最容易听错，导出前专门在列表里核一遍。
  • 竖屏字幕越短越好。一行字放在画面下三分之一，既不挡脸，也不会被平台的点赞评论按钮盖住。

这些情况，换桌面版更省事

这个页面管的是给剪好的视频加字幕。可如果片子要从一大堆素材里剪出来，真正费时间的是前面那步：找镜头。Reelary 桌面版会在你自己的电脑上给整个素材库建索引，按画面（“手在键盘上打字的特写”）或者某人说过的话一搜就到，结果直接拖上时间线。

编辑器里可以给成片加字幕轨，导出带字幕的 MP4，也可以把时间线导成 FCPXML 或 XML 工程，丢给 Premiere Pro、Final Cut Pro 或达芬奇接着剪。看看本地 AI 视频搜索是怎么做的；只要纯文字稿的话，用视频转文字就够了。

桌面版能给你从素材库拼好的成片加字幕，导出时可以烧进画面，也可以导出能接着改的时间线。 Reelary 免费下载，Mac 和 Windows 都能用，建库和搜索不限文件数。

免费下载 Reelary 本地搜索是怎么做到的

常见问题

要钱吗？

不要钱。不用注册，压了字幕的视频不带水印，也不按分钟计费，因为语音识别是你自己的电脑在跑。单个文件最大 1 GB、最长 30 分钟；压字幕进视频最长支持 10 分钟。

视频会被传上去吗？

不会。音轨由浏览器读取，Whisper 模型在这个标签页里跑，带字幕的视频也是浏览器自己录出来的。唯一要下载的是模型，从 Hugging Face 下一次就缓存住了。

怎么给视频生成 SRT？

把视频拖进上面的框，等字幕出来。Whisper 听错的字直接在列表里改，改完点 SRT 下载。YouTube、Vimeo、Premiere Pro、Final Cut Pro、达芬奇和大多数播放器都能用。

能把字幕直接压进视频吗？

能。选好样式、大小和位置，点“压进视频”。浏览器会把视频从头放一遍，每一帧画上字幕再录下来，所以视频多长就要等多久。Chrome、Edge、Safari 存成 MP4，Firefox 存成 WebM。

短字幕和标准字幕差在哪？

短字幕每条一行，最多 32 个字符，就是抖音、TikTok、Reels、Shorts 上那种一句一闪的快节奏字幕。标准字幕最多两行，每行不超过 42 个字符，是 YouTube、电视台和无障碍字幕的通用规范。

能做哪些语言的字幕？

Whisper 支持 99 种语言，能自动判断语种。字幕用原语言出，不做翻译。

和“视频转文字”有什么区别？

底下是同一个 Whisper 模型。视频转文字给你一份能读、能粘贴的文字稿；字幕生成器则把语音切成一条条带时间的短字幕，叠在画面上让你对着改，还能压进一份新视频里。

更多免费工具

AI 看视频写描述 自动把视频分成一个个场景，用浏览器里的视觉模型给每个场景写一句画面描述，可导出 TXT、SRT 或 WebVTT。文件不上传。 描述画面找片段 输入想找的画面，AI 直接看画面内容（不靠文件名，也不靠字幕）找出视频里对得上的片段，并给出时间码。不上传。 视频去背景 用浏览器里的 AI 抠像模型把人从视频里抠出来，背景可以是透明、纯色或虚化。保留声音，没有水印，不上传。 视频去 Logo 在自己的素材上框出 Logo、日期水印或字幕，修复模型逐帧把那块补上，声音不受影响。位置固定的标记效果最好。不上传。 视频转文字 用浏览器本地运行的 OpenAI Whisper 把视频或音频里的话转成带时间码的文字，可导出 TXT、SRT 和 WebVTT。不上传，不用注册。 视频抽帧 自动找出视频里的镜头切换点，或者每隔 N 秒截一张，存成原分辨率 JPG 或 PNG，打包成 ZIP。在浏览器里跑，不上传。 GIF 加字幕 给动图或小视频配上文字：白底字幕条、表情包上下大字或普通字幕。在浏览器里实时预览、直接导出 GIF，没有水印。

发布于 2026年10月10日 · 用到了哪些模型