视频硬字幕提取与本地字幕翻译：video-subtitle-extractor + faster-whisper + VideoLingo
三款工具分工不同：video-subtitle-extractor 用 OCR 提取画面里的硬字幕，faster-whisper 把语音转成文字，VideoLingo 负责字幕翻译和配音流程，但翻译需要配置 LLM API。faster-whisper 的 2.9GB 只是基准测试值，不是最低要求。
更新：2026-10-16
结论
这三款工具各管一段，不能互相替代：画面里已经有字幕（硬字幕），用 video-subtitle-extractor 做 OCR 提取；只有语音、需要听写，用 faster-whisper；要一条龙完成转写、翻译和配音，用 VideoLingo。需要说明的是，VideoLingo 的翻译环节要在侧边栏填写 OpenAI 兼容接口的 API 地址、密钥和模型，README 没有说明可以完全离线翻译。另外，常被引用的“faster-whisper large-v2 int8 约 2.9GB 显存”是 README 基准测试中的实测值，不是官方最低要求。
三款工具对比
| 工具 | 作用 | 硬件（CSV/README） | 许可证 |
|---|---|---|---|
| video-subtitle-extractor | OCR 提取硬字幕，README 称支持 87 种语言 | 支持 CUDA、CPU、DirectML（AMD/Intel）、ONNX 四种模式；README 未说明显存 | Apache-2.0 |
| faster-whisper | 语音识别（转写） | 基准值见下表；需要 CUDA 12 + cuDNN 9 | MIT |
| VideoLingo | 字幕翻译与配音流程 | README 未说明显存；Docker 部署需要 NVIDIA 驱动和 Container Toolkit | Apache-2.0 |
faster-whisper 的显存数字怎么看
README 的测试条件：RTX 3070 Ti 8GB，CUDA 12.4，音频约 13 分钟，模型为 large-v2。
| 精度/设置 | 显存（基准测试值） |
|---|---|
| fp16 | 4525MB |
| int8 | 2926MB |
| fp16，batch_size=8 | 6090MB |
| int8，batch_size=8 | 4500MB |
以上是基准测试值，不是官方最低要求。 换用其他显卡、音频或参数时，实际占用可能不同。README 还说明，新版 ctranslate2 只支持 CUDA 12 和 cuDNN 9，旧版 CUDA 需要降级 ctranslate2；Windows 和 Linux 用户可以使用 Purfview 提供的库文件包。
video-subtitle-extractor 的注意事项
- 视频和程序的路径不要包含中文和空格，否则可能出现未知错误。
- NVIDIA 50 系显卡建议使用 DirectML 通用版。
- 识别模式选“自动”时，CPU 下使用轻量模型，GPU 下使用精准模型。
- ONNX 模式 README 标注为“未测试”。
VideoLingo 的注意事项
- Windows 下双击
OneKeyStart.bat，首次运行会自动安装 uv、Python 3.12、依赖和 FFmpeg，安装过程需要联网。 - 语音识别默认在本地运行 Qwen3-ASR + ForcedAligner，也可以改用 ElevenLabs 或 MAI-Transcribe-2。选在线服务时音频会发送给对应服务商，可能产生费用。
- README 没有说明 VideoLingo 内置 faster-whisper。WhisperX 需要手动安装。
- 配音支持 GPT-SoVITS、F5-TTS、Edge TTS 等多种接口。
数据来源与核验日期
- video-subtitle-extractor：https://github.com/YaoFANGUK/video-subtitle-extractor
- faster-whisper：https://github.com/SYSTRAN/faster-whisper
- VideoLingo：https://github.com/Huanshere/VideoLingo
- 核验日期：2026-10-16（北京时间）
合规提示
请只处理你有权使用的视频，不要用于生肉搬运、盗版字幕发布或其他侵权传播。