YouTube 与 Shorts
内容创作者
字幕能提升观看时长，也让静音观看的观众看得懂，不用花一整晚打字。
一个视频如何配好字幕
产品演示视频
MP4 · 12:40 · 已上传
上传视频，或粘贴公开链接字幕的时间和长度都为舒适阅读而设
字幕轨
00:12
登录之后，你会看到这个仪表盘。
00:47
你的每次改动都会实时保存。
字幕文件
SRT · VTT
双语字幕
两种语言同一个文件
烧录字幕视频
最高 4K 输出
文字格式
TXT · DOCX · XLSX · Markdown
翻译
95+ 种语言
为什么字幕生成后就能直接发布
从原始文字稿到可发布的字幕文件，时间都花在这段路上。这些功能帮你省下来。
为阅读速度而设计的字幕
- 阅读速度提示太密、读不完的字幕会先在编辑器中标出，别人看到之前就能处理。
- 样式模板字幕样式保存一次，应用到工作区的每个视频。
- 实时预览字体、大小、颜色和位置，在实际画面上边调边看。
- 字号自动调整长句留在画面内，不会超出边缘。
平台要哪种文件，就交哪种
- SRT 与 VTT两种标准字幕格式，按语言输出，可直接上传。
- 双语一次完成原文和译文放在同一个字幕文件，或一起烧录进视频。
- 烧录视频最高 4K一个完成的字幕视频，样式与你预览的完全一致。
- 一次打包全部轨道，一种选定格式，一次下载。
谁用它交付字幕
四种团队，同一种截止日期：视频已经完成，字幕是最后一关。
在线教学
课程团队
每节课都有准确、样式一致的字幕，也能翻译给其他语言的学员。
新闻与媒体
媒体出版
视频片段按时带字幕上线，机构样式保存一次，每次剪辑都能应用。
营销活动
品牌与社交媒体团队
广告片段按每个市场的语言交付，样式符合品牌，导出即可发布。
自己动手：通过 API 用 Gemini 3.5 Transcribe 生成字幕
一共四步，实话实说：前两步很简单，真正的工程量在后两步。
- 在 Google AI Studio 获取 API 密钥登录 Google AI Studio，创建 API 密钥，并保存在服务器端。这是开发者凭证，不是应用账号，之后的每一步都在你自己编写和运行的代码里完成。
- 把音频发送给模型Google 的发布资料介绍了两种模式：通过 Interactions API 处理预录音频，返回带说话人归属和逐词时间戳的文字稿；通过 Live API 做实时流式转录。要给现成的录音做字幕，应该用预录模式。模型可以自动检测 85+ 种语言。
- 把文字变成字幕条：这才是真正的工作字幕文件不是带时间戳的文字稿，而是一条条字幕。你的代码要决定每条字幕的起止时间、每行放多少字符、句子何时跨条拆分、观众能读多快，然后全部渲染成 SRT 或 VTT 时间码格式。和所有转录 API 一样，这一层归你负责，分段逻辑要自己写、自己调。
- 搭建其余环节翻译成其他语言、核对人名和术语、手工修改字幕、把字幕烧录进视频，每一项都是单独的步骤。和所有转录 API 一样，模型的输出只是给代码用的数据，围绕它的整个流程要你自己组装。
据 Google 公告，Gemini 3.5 Transcribe 提供什么
核心规格来自 Google 的发布公告；最后两行描述的是标准的 API 工作流程，并非公告中的功能。
- 语言
- 自动检测 85+ 种语言，包括地区口音和方言
- 时间戳
- 通过 Interactions API 为预录音频提供逐词时间戳
- 说话人
- 最多支持 3 位说话人的归属；据 Google 称，超过 3 位仍属实验性功能
- 准确率
- Google 公布的平均词错误率（WER）：预录音频 2.6%，流式 4.0%
- 流式
- 通过 Live API 实现实时双向流式传输，延迟低于一秒
- 使用方式
- 通过 Google AI Studio 获取 API 密钥；调用代码由你编写和运行
- 输出
- 给你的应用使用的结构化转录数据；生成字幕文件、编辑和烧录视频都要由你的流程完成
自己调用 API，还是上传到 Subanana
两条路通往同一个成果。左边是你自己维护的代码，右边是运行同级别引擎的成品。
| Gemini 3.5 API：你来搭建 | Subanana：上传文件 | |
|---|---|---|
| 如何开始 | Google AI Studio 账号、API 密钥、你自己的代码 | 注册并上传，不用代码，不用密钥 |
| 返回什么 | 给代码用的文字、时间戳和说话人数据 | 已分段、带时间码的字幕条，在编辑器中打开 |
| 字幕分段和阅读速度 | 你自己编写和调整的逻辑 | 内置，并提供阅读速度（CPS）提醒 |
| 引擎听错时 | 你在代码里检测并重试 | 幻觉检测会把可疑部分换另一个引擎重跑，不另收费 |
| 翻译和双语字幕 | 你再搭建一条流程 | 一个任务可选多种目标语言，支持双语 SRT |
| 成品视频 | 你自己的渲染步骤 | 一键烧录字幕，最高 4K，可保存常用样式 |
| 来源 | 自己获取和准备音频 | 单个文件最长 8 小时、最大 30 GB，或公开的 YouTube、Instagram 链接 |
这里比较的是两种工作流程，不是两个模型。Subanana 持续评测同级别的前沿引擎，并把每个文件交给在该语言上表现领先的引擎。平均准确率 98%，实际结果受录音清晰度、背景噪音和术语影响；超过 200,000 名用户。
什么时候适合自己动手
如果你是开发者，要把转录功能做进自己的产品，API 正是你需要的：可以用程序控制，可以设计自己的用户体验，它也是你产品内部的一块基础组件。如果你需要任何现成工具都没有的字幕逻辑，同样如此。代价是整条链路都归你负责：分段质量、时间上的边界情况、翻译、审核工具和渲染。真正花时间的是这条链路，而不是那一次模型调用。如果你实际需要的只是给一个视频做字幕文件，为一个项目搭这整条链路，就是最贵的做法。
成品在引擎之外还增加了什么
这些环节平时看不见，直到你必须自己搭建。
- 按语言匹配引擎，不绑定单一厂商每个文件都会交给在其源语言上评测表现领先的模型。有新引擎在评测中胜出时，你不用改任何设置，结果就会变好。
- 人名按你的写法词汇表分工作区和项目两级，支持按语言标记，也支持 CSV/XLSX 批量导入，让人名、品牌和术语在每个文件中都写法正确。
- 为字幕设计的编辑器逐条检查字幕，直接修改文字，让 AI 校对提出修改建议，由你确认后才应用。然后导出 SRT、VTT、TXT、DOCX、XLSX 或 Markdown，也可以把所有轨道以选定的一种格式打包成 ZIP。
大家常问的问题常见问题
Subanana 不绑定任何单一厂商。每个文件都会在持续评测的前沿语音引擎之间分配，这些引擎和新闻里的模型属于同一级别，系统会挑选在该源语言上表现领先的一个；幻觉检测还会把可疑片段换另一个引擎重跑。新模型推出后，看的是评测结果，不是品牌。
据 Google 的发布公告，模型通过 Gemini API 返回转录数据：带逐词时间戳和说话人归属的文字。要变成 SRT 文件，需要编写字幕分段和格式化代码。在这里，只要点一下导出按钮。
在 Google AI Studio 获取 API 密钥，通过 Interactions API 把预录音频发送给模型。据 Google 称，它会自动检测 85+ 种语言，并为最多 3 位说话人标注归属。然后用你自己的代码把返回的文字和时间戳转成字幕条。如果你要把转录功能做进自己的产品，这条路是合适的。
根据发布公告：自动检测 85+ 种语言，包括地区口音；预录音频提供逐词时间戳和说话人归属；支持最多 3 位说话人，更多说话人属于实验性功能；通过 Live API 实现实时流式传输；Google 公布的平均词错误率，预录音频为 2.6%，流式为 4.0%。
平均准确率 98%，实际结果受录音清晰度、背景噪音和术语影响。每个片段都会经过两道幻觉检测，可选的校对步骤会提出听错的词和同音词，由你确认后才修改，而且不会移动任何时间码。
SRT、VTT、TXT、DOCX、XLSX 和 Markdown，可以是单语言或双语，也可以把所有轨道以选定的一种格式打包成 ZIP。你还可以导出烧录字幕的视频，最高 4K。
免费账号可以预览每个文件的前 15 分钟，每月 3 个文件，不用信用卡。下载字幕文件是付费方案的功能，你可以先用自己的视频确认质量，再决定是否付费。
更新于 2026-11-01