sherpa-onnx：用本地CPU字幕示例，先得到带时间段的转写草稿

希望在本地把录音变成字幕草稿，但暂时不想写Python，可以从sherpa-onnx官方的Generate Subtitles示例程序理解流程：选文件，运行本地识别，查看带时间段的文本。它属于语音推理框架的桌面示例，不是带翻译、审校和视频包装的完整剪辑软件。

官方下载页提供按系统、架构、模型与语言命名的包，说明可在本地CPU运行。Windows x64、macOS x64与arm64、Linux等不能随意混选；Whisper tiny.en只支持英语，中文应选择对应中文或多语种包。框架支持很多模型，不等于每个下载包都支持所有语言。

图源：官方Generate Subtitles文档。这是官方Windows界面演示，使用 lei-jun-test.wav，结果区按时间显示中文转写，底部进度为66%；不据此评价识别准确率。

截图里一条“今年呢是。”和下一条“武汉大学建校130周年。”分别带自己的时间范围，呈现的是讲话区域切段，未必就是适合上屏的完整句子。时间如 105.932 -- 107.340 以秒计，也不是SRT要求的整套文件格式。

因此有一个交付差别：这个Lazarus示例的当前源码把起止时间与文字追加到结果区，并没有在所审查的界面与工作线程中提供SRT保存流程。名称叫“生成字幕”，不应据此承诺已经拿到可直接导入剪辑软件的SRT，更不表示字幕已烧进视频。它首先帮助你得到带时间段的转写草稿，正式字幕格式需要另行整理或选择有对应导出的其他工具。

实际使用可以先取一段自己的单人讲解音频，选择匹配语种的包并准备所需模型，初始化后选文件。官方源码的读取路径要求单声道、16000Hz、16位WAV，不宜直接把手机视频拖进去就假定所有容器都支持。界面初始化提示还要求文件路径不要含中文字符；可以先转换音轨，放进英文命名的目录，再检查开头、长停顿和结尾是否被完整处理。这是编辑建议，未实际执行。

时间段从哪里来，也要理解。示例先使用Silero VAD找讲话片段，再交给离线识别器，时间来自该语音区域的起止位置。这不等于逐个汉字或每个单词都已精确对齐，长句仍需要为阅读速度和画面节奏重新断开。转写文字准确与字幕时间好读，是两个需要分别检查的指标。

如果自己编译，官方功能文档给出Lazarus工程和C++库准备方式；程序还需要VAD及非流式ASR文件。不同模型的文件名也有约定，例如Paraformer、SenseVoice与Whisper使用不同ONNX文件组合。下载一个主程序，却漏掉tokens或模型文件，不能正常初始化。预编译包则应先核对其清单，避免重复安装另一套无关运行环境。

它与模型的关系类似播放器与媒体格式：sherpa-onnx提供运行与接口，真正决定语言、识别能力和部分资源需求的是所选权重。换一个模型包会改变效果，也可能改变许可证。官方明确框架代码为Apache2.0，但支持其他框架的模型，各自条款须另查；同名转换版也不能自动抹去上游许可。

适合它的第一步是本地CPU上检查一条录音的切段与文字；若交付要求直接SRT、多人身份或翻译，应先确认你所选的具体应用实现确实包含这些功能。

资料：预编译包与模型区别、完整功能文档、示例源码。