开箱即用的本地AI字幕抠字和打轴大概不远了

今天试了试Subtitle Edit 5.10的beta 13测试版，发现本地AI功能强化了不少


ORC识别不仅可以是DVD / BD的图形字幕，也可以是视频硬字幕。之前有坛友推荐过（https://bbs.acgrip.com/forum.php?mod=viewthread&tid=13284），实际试了一下Tesseract 5.5的效果挺一般的。720P的清晰PGS图形字还好，像DVD常用的那些就很不行了（也许西文字幕还行，亚洲文字完全认不对）

新加的飞浆Paddle和GLM-OCR模型，效果提升了不少。不过和所有模型一样，需要指定语言。效果最好，不用复杂配置的，还是联网的Google Lens，但是保不齐谷歌哪天就把路封了

打轴这块目前还是调用Whisper搞语音转文字。虽然CP可以U干活，但是效率低得夸张，最好还是有一块30或者40系的Nvidia显卡。因为Whisper系列已经一段时间没动静了，新出的50系会有点兼容性问题。Whisper CPP能听出的内容更多，但是时间打不准（Whisper通病）；Purfview-Faster-Whisper-XXL字幕轴核对的准确点，不过会漏内容。模型上还是Large V2比较好用。Qwen3 0.6b试了试日文，效果很不行；1.7b太难跑了，也就没试了

当然，要提高识别率，需要像AI翻唱一样，提前预处理音频，把人声从音频里分离出来。这一步可以靠Audacity + OpenVino简单达成，或者学习去用Ultimate Vocal Remover。分节断字也是个问题，有时候会整合出很长一段字

如果是有文本和音频，想做Forced Aligned，目前还不行。Qwen3 cli可以命令行单独用，但是效果完全不行。或许montreal-forced-aligner这些可以，但是要自己单独搭环境，挺麻烦的。不知道未来会不会整合

当然也有人早早用AI整活的，比如这种用通用大模型对话的工作流，门槛还是有的

https://www.bilibili.com/video/BV1tFhCzcEUA/