Captioner：Windows 本地离线 AI 字幕生成与实时字幕工具

shraattt/captioner · Local-first AI captioning for Windows: batch SRT/VTT subtitles plus a live caption overlay, running fully offline on your own GPU.

GitHub原文发布未知首次收录 2026-10-12上架 2026-10-12 07:03

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

Captioner 是一个面向 Windows 的本地优先 AI 字幕工具，可在自有 GPU 或 CPU 上完全离线运行。它能批量把讲座、访谈、电视录像等音视频转为带词级时间的 SRT/VTT 字幕，也提供悬浮置顶的实时字幕条以约 1–2 秒延迟转写麦克风或系统音频。可选功能包括 pyannote 说话人标注、wav2vec2 词对齐、M2M100 多语言翻译与实时翻译、OpenAI 兼容后端接入、本地 HTTP API 与浏览器界面、监听文件夹自动转写与 webhook、内容去重和带崩溃恢复的任务队列，并支持自行微调 Whisper 模型。

# speech-to-text # Windows # whisper # subtitles # offline

核心能力与快速开始

★ 0 · Python

能做什么: 批量生成 SRT/VTT 字幕，按停顿和句末切分字幕块并支持词级时间；实时字幕覆盖层可转写麦克风或系统音频（全局热键 Ctrl+Alt+L）。可选 pyannote 说话人分离（写入 [SPEAKER_00] 前缀）、wav2vec2 CTC 词对齐、M2M100 翻译（输出 captions.<lang>.srt/.vtt 并逐行缓存）与实时字幕翻译（27 种语言）。识别与翻译后端可通过环境变量切换到 OpenAI 兼容 API。提供本地 HTTP JSON API（含 OpenAPI 描述）、浏览器 UI（SSE 驱动）、CLI、监听文件夹自动转写与 webhook、内容去重、带取消/进度/心跳/崩溃恢复的队列，以及自训练 Whisper 模型微调脚本。
适用场景: 在 Windows 上为讲座、访谈、电视录像等音视频批量生成字幕文件；在会议、直播或观影时使用置顶悬浮条实时查看麦克风或系统音频字幕；对已有字幕补充说话人标注、精确词时间或翻译成其他语言；通过 CLI、HTTP API 或监听文件夹把字幕生成集成到自动化流程中；在含噪音频上微调 Whisper 模型以降低 WER。
项目形态: 可直接使用的工具
部署方式: 本地部署：克隆仓库后运行 run_captioner.bat 或手动建虚拟环境安装依赖；客户端界面、悬浮窗与全局热键为 Windows 专有（核心库为可移植 Python）。支持 CPU 回退，推荐 NVIDIA GPU。可选提供本地 HTTP API 与浏览器 UI。
主要依赖: Windows 10/11；Python 3.11–3.13；NVIDIA GPU 可选但推荐（示例为 RTX 4050 6GB，CUDA 12.8 轮子），无 GPU 可用 CPU 但较慢；磁盘约 100MB 应用、约 1.5GB 模型权重（更大模型更多），微调另需约 2GB；无需系统 ffmpeg。说话人标注需同意 pyannote 门控模型并配置 Hugging Face Read token。
使用限制: 窗口、悬浮层与全局热键为 Windows 专有；CPU 模式除微调脚本外可用但速度慢；翻译质量因语言而异（418M 模型下印地语较清晰，泰米尔语在长行上偏弱），且 M2M100 不含泰卢固语；实时字幕延迟约 1–2 秒；材料未说明许可证、API 成本或商用授权情况。
许可证: 未说明
最近推送: 2026-10-11 09:00

核对 README 依据 ↗

资料检查：2026-10-12 07:00 · 卡片整理：2026-10-12 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

将讲座、访谈等音视频批量转写为带词级时间的 SRT/VTT 字幕，并通过本地 HTTP API 与浏览器界面由脚本驱动转写队列，用于技术内容字幕制作与自动化处理。

查看内容依据

A JSON API with an OpenAPI description (`/openapi.json`) plus a browser page, so scripts or another machine can drive the queue.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

local-inference-setup：本地语言模型自包含启动器的声明式配置

该项目以声明式配置方式管理本地语言模型推理环境的搭建：提供模型下载清单、运行时分发、完整性校验脚本、模型管理文档，以及内嵌完整推理参数的 .cmd 启动器。仓库本身不包含 GGUF 权重或运行时二进制，需通过附带的 PowerShell 安装与下载脚本获取。启动器会显式声明上下文长度、采样参数，并借助 --gpu-layers auto 与 --fit on 自动决定设备放置；服务对外暴露 Web 界面、OpenAI 兼容 API 与健康检查端点。配置面向 Windows、指定硬件（RTX 5080 16GB、64GB 内存）并锁定 llama.cpp 运行时构建版本，接口无鉴权，仅建议在可信私有网络内使用。

book-to-skill：将技术书与文档转换为可按需加载的 Agent 技能

book-to-skill 是一个 Python 工具，能从技术书、内部文档、规范或研究资料中抽取结构（框架、决策规则、反模式、章节内容），生成符合 Agent Skills 开放标准的 SKILL.md 及章节、词汇表、模式与速查文件，写入跨 Agent 的技能目录。生成的技能可由 GitHub Copilot CLI、Amp、Codex、Claude Code 等宿主按需加载对应章节来回答问题，从而减少将整本书放入上下文带来的 Token 消耗。该仓库是上游的 Windows-first 维护型 fork，补充了繁体中文文档、Windows 开发与验收流程以及上游追踪机制。

Flywheel：在所选模型上运行 AI 任务并留下可离线复核的凭据

Flywheel 是一个模型无关的 AI 运行框架，可在前沿或本地模型之上，通过统一的 OpenAI 兼容接口执行 AI 任务。它把结果连同可重新推导的密封凭据一起记录下来，独立见证者可离线重跑该凭据并返回 MATCH、DRIFT 或 UNVERIFIABLE，接受路径上不含学习模型。内置 Rowan 桌面助手和权限门控的 relay 编码代理，并提供 17 个可组合 lane 以及金融、医疗、法律等检查包。

Simplismart：面向生成式 AI 模型的推理与部署平台第三方 API 资料档案

该仓库是 API Evangelist 维护的第三方公开资料档案，并非 Simplismart 官方 API 或软件。材料显示 Simplismart 是一个 AI 推理与模型部署平台，支持在优化过的 GPU 基础设施上运行、微调与自托管生成式 AI 模型，提供兼容 OpenAI 的 LLM 对话推理（Llama、Qwen、Gemma、Mixtral、DeepSeek）以及 Whisper 语音转文字等能力。仓库本身只包含文本与机器可读的 API 描述，没有可构建、发布或安装的软件。由于该档案尚处于待补充（stub）状态，关于部署条件、硬件要求、API 费用与限制等信息均未说明。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。