卡卡字幕助手VideoCaptioner v1.3.3 | AI字幕生成工具

VideoCaptioner（卡卡字幕助手）是基于 LLM 的智能字幕工具，支持AI 字幕生成、语音识别、断句校正、字幕翻译全流程处理，无需高配置，支持在线与本地离线模式，高效输出专业字幕，适配各类视频创作需求。

---

核心介绍

工具定位

一款聚焦视频字幕全流程处理的智能工具，依托大语言模型（LLM）实现从语音识别到字幕合成的一站式服务，操作简单且兼容性强，无需高端硬件即可运行。

核心优势

• 优化 Whisper API 处理逻辑，支持分段并发转录与智能合并，提升处理效率；
• 采用 LLM 反馈循环机制，大幅降低字幕翻译、优化、断句的出错率；
• 内置 VAD 过滤、人声分离、字级时间戳、批量处理等实用功能，覆盖多场景需求。

---

配置说明

LLM API 配置

LLM 大模型用于字幕断句、优化及翻译，支持多种服务商配置：

• SiliconCloud：并发较低，线程建议设为 5 以下；
• DeepSeek：推荐deepseek-v3模型，需注意服务稳定性；
• OpenAI 兼容接口：可直接填写第三方服务商的 base_url 和 api_key；
• 推荐使用项目 LLM API 中转站（高并发、多模型可选），配置 BaseURL 与个人 API-key 即可拉满线程。

翻译配置

提供三种翻译方式，按需选择：

• LLM 大模型翻译（推荐）：理解上下文能力强，翻译自然，需配置 LLM API；
• 微软翻译：速度快，默认启用，翻译质量一般；
• 谷歌翻译：速度快、质量较好，需具备访问谷歌的网络环境。

语音识别接口

接口名称	支持语言	运行方式	核心特点
B 接口 / J 接口	中、英文	在线	免费、速度快
WhisperCpp	99 种语言（外语效果佳）	本地	需下载模型，实际使用不稳定
fasterWhisper（极力推荐）	99 种语言	本地	支持 CUDA 加速，时间轴精准，转录质量高

本地 Whisper 模型选择

推荐Large-v2模型（稳定且质量优），各模型参数参考：

• Tiny（75MiB）：仅适用于测试，转录效果一般；
• Small（466MiB）：英文识别效果良好；
• Medium（1.5GiB）：中文识别最低推荐版本；
• Large-v3（2.9GiB）：可能存在字幕重复问题，谨慎选择。

文稿匹配

在 “字幕优化与翻译” 页面填写相关内容，辅助提升字幕质量：

• 术语表：专业词汇、人名等修正对照（如 “打 call-> 应援”）；
• 原字幕文稿：完整演讲稿、讲义等参考文本；
• 修正要求：统一人称、规范术语等具体指令（小型 LLM 建议控制在 1 千字内）。

Cookie 配置

当 URL 下载遇到需登录、分辨率限制或验证问题时，获取目标平台 Cookie 并保存为cookies.txt，放置于软件安装目录的AppData文件夹，即可下载高质量视频。

---

核心功能亮点

多平台视频处理

支持 B 站、Youtube、抖音、小红书等国内外主流平台，可自动提取视频原有字幕进行二次优化，适配 1080P 等多种分辨率视频。

专业语音识别引擎

在线接口免费高速，效果媲美专业工具；本地模型支持离线使用，保护隐私，且 fasterWhisper 模型能提供超级准确的时间戳字幕。

字幕智能纠错

基于 LLM 上下文理解能力，自动修正错别字、优化标点符号，规范专业术语、代码片段及数学公式格式，同时优化断句逻辑，提升阅读流畅度。

高质量字幕翻译

采用 “翻译 – 反思 – 翻译” 迭代方法论，结合序列模糊匹配算法，确保译文自然地道且时间轴完全同步，兼顾准确性与连贯性。

字幕样式调整

提供科普风、新闻风、番剧风等丰富模板，支持 SRT、ASS、VTT、TXT 等多种格式输出，可自定义字体、字号、颜色、间距等参数，满足个性化需求。

---

使用说明

语音转录页面

• VAD 过滤：默认开启，过滤无人声片段，减少字幕幻觉；
• 音频分离：仅在视频嘈杂时开启，通过 MDX-Net 分离人声与背景音乐，提升识别质量。

字幕优化与翻译页面

• 智能断句：开启后生成字级时间戳，支持按句子或语义断句，适配不同观看需求；
• 字幕校正：自动优化英文大小写、格式错误等，提升字幕专业性；
• 反思翻译：需在设置中开启，提升翻译质量但会增加 Token 消耗与处理时间；
• 文稿提示：填写相关文本辅助大模型优化字幕，无特殊需求可忽略。

字幕视频合成页面

• 视频合成：开启后生成带字幕的视频，关闭则仅输出字幕文件；
• 软字幕：处理速度快，但需专用播放器支持，且样式为播放器默认白色，按需选择。

---