一段内部培训录像要发给团队，字幕却还没做。视频里有客户姓名、报价和未公布的产品代号，直接上传在线字幕网站并不合适；逐句手打又赶不上交付。这时可以把音轨留在自己的电脑，用开源 Whisper 生成 SRT，再集中回听容易出错的片段。本文用一段虚构的“周三交付、预算十五万元”会议录像示范，适合需要处理内部访谈、课程录屏或客户素材，且愿意使用终端的运营和剪辑人员。
“本地运行”不等于完全离线：首次安装软件、下载模型要联网，电脑上的同步盘也可能上传文件。录音是否有处理和公开授权，仍要事先确认；未经同意的私人谈话不应因为能自动转写就变成公开文本。
先选工具，再决定要不要装最大的模型
Whisper 官方开源仓库提供命令行工具，可输出 SRT、VTT 和文本；代码与模型权重采用 MIT 许可证。搭建成本是 Python、FFmpeg 和首次模型下载，CPU 处理长音频可能较慢。只做一条公开短视频时，站内的 CapCut 自动字幕更省设置；处理不能上传的录音、需要批量产出或保留可追溯文本时，本地方案更合适。Adobe Podcast 侧重在线音质处理，上传前同样要确认素材权限。
先取一段一分钟样本，用多语言 small 模型跑通，再考虑 medium。官方模型表显示尺寸、显存需求和速度有取舍，实际效果又受口音、背景噪声与录音设备影响。中文音频不要选只为英语优化的 small.en。本文推荐的 small 只是起点，不是准确率保证。
安装：先检查环境，别急着上传正式素材
在独立文件夹准备测试视频。运行 python --version（有些系统用 python3）以及 ffmpeg -version。Whisper 官方 README 提供 pip install -U openai-whisper，并要求系统安装 FFmpeg：Windows 可用 Scoop 或 Chocolatey，macOS 可用 Homebrew，Linux 用发行版包管理器。装完 FFmpeg 后重开终端再测一次版本，确保 PATH 生效。
python -m venv .venv
# Windows PowerShell：无需激活虚拟环境
.\.venv\Scripts\python.exe -m pip install -U openai-whisper
.\.venv\Scripts\whisper.exe --helpmacOS/Linux 把后两行路径换成 .venv/bin/python 和 .venv/bin/whisper。Windows 找不到 python 时，先检查安装及 PATH，也可尝试 py -m venv .venv。安装失败要记录 Python 版本和第一条有效报错，不要下载搜索结果里的未知“一键安装包”。
从 MP4 抽取正确声道
视频有多个语言音轨时，先用 ffprobe -i meeting.mp4 看流信息。下例的 0:a:0 是第一条音轨，不保证就是中文；如需其他音轨，改索引。命令会生成单声道 16 kHz WAV，文件可能比压缩音频大，先确认磁盘空间。
ffmpeg -i meeting.mp4 -map 0:a:0 -vn -ac 1 -ar 16000 -c:a pcm_s16le meeting.wav分别播放 WAV 的开头、中间和结尾：有没有人声？是否只剩背景音乐？声音和画面是否错位？选错声道是源文件问题，不是调大识别模型就能解决。保留原视频，不要覆盖。
只要中文字幕 SRT，用这条命令
# Windows PowerShell
.\.venv\Scripts\whisper.exe meeting.wav --model small --language zh --task transcribe --output_format srt --output_dir subtitles --fp16 False
# macOS/Linux：将程序路径改为 .venv/bin/whisper--language zh 指定主要语种，避免短片头或英文品牌名影响自动判断；transcribe 保留原语种，不是翻译；--output_format srt 只导出字幕文件；--output_dir 设输出目录。CPU 遇到 FP16 警告时，--fp16 False 明确使用 FP32。首次运行下载模型，之后同一模型通常能复用缓存。完成后打开 subtitles/meeting.srt，确认内容不是空白，再导入剪辑软件。
不要把 transcribe 改为 translate 却仍把结果当“中文字幕”：翻译会改变输出语言，还要另查人名与术语。Whisper 官方特别提醒 turbo 不适合做语音翻译；本文只讨论原语种字幕。
先听事实，再修断句和样式
得到 SRT 后，优先回听金额、百分比、日期、人名、产品名和否定词。比如原话是“周三可以交付，但预算不能超过十五万”，识别却写成“周四可以交付，预算能超过十五万”。只错两个字，承诺就反过来了。听不清时标“待确认”，不要用上下文猜数字。
随后检查时间码：开头、说话人切换处、噪声最重处、结尾各抽一段。字幕有没有抢先出现？一句话是否挤满屏幕？用文本编辑器修改 SRT 时保留序号、空行和 00:00:01,000 --> 00:00:03,000 格式。剪掉视频中段后旧字幕可能整体错位，要在时间线上重新对齐。文本对了不代表时间也对。
给 AI 一份“回听清单”，不要让它替你听
如果素材授权允许，把字幕文本交给可信工具做检查清单；敏感文本若不能上传外部服务，就在本地完成。可用的提示词是：
下面是已授权录音生成的 SRT。只找需要人工回听的片段，按“金额/日期/百分比”“人名或产品名”“否定词可能反转意思”“句子不完整”分组。列出时间码和原句；不要改写，不要猜听不清的词，不要声称你听过录音。证据不足写“需回听确认”。
例如字幕写“客户同意了”，AI 可以提醒核对“同意/不同意”，却无法判断原声是哪一个。保留修改前和校对后的两份 SRT，之后被问到为何改词才有依据。
五个卡点与交付检查
- 找不到 FFmpeg：重开终端运行
ffmpeg -version，检查 PATH；反复重装 Whisper 无济于事。 - 中文识别成英文：确认模型不是
.en版本，并加--language zh；乱码则先以 UTF-8 打开 SRT，别直接覆盖原件。 - 安静片头出现“说话”：对原音删除虚构字幕，别把模型幻觉当采访原话。
- 运行慢或内存不足：换小模型，先截一分钟试跑；有 GPU 不是必需条件，也别承诺每台电脑能实时转写。
- 字对而画面不同步：回查音轨、视频剪切和导入后的时间线，不要只看文本。
交付前确认处理权限，保存原视频与抽取的 WAV，记录模型和命令，回听高风险词，抽查时间码，把最终 SRT 重新导入软件试播；仍无法确认的句子交给素材负责人。相比追求“一键零错误”，这份可回头检查的交付包更可靠。
参数与安装方式核对自 Whisper 官方仓库、命令行源码及 FFmpeg 文档；软件版本会变化，安装时以官方说明为准。