Vibe：把音视频在本机转成字幕，文字稿还能另选模型做摘要

手头有几段访谈或培训录像，想交给剪辑继续做字幕，同时保留能检索的文字稿，Vibe 提供了一个桌面入口：拖入音频、视频或文件夹，在本机转写，再按用途导出。它把音视频识别接到 SRT、VTT、TXT、DOCX 等不同成果上，适合需要反复处理已有素材的人。

文件进来后，先决定交付给谁

Vibe 官方仓库列出批量转写和多种导出格式。对剪辑，SRT/VTT 保留时间信息；对资料整理，TXT 或 DOCX 更便于编辑。JSON 适合后续程序处理。选什么格式，应由下一步要用这份材料的人决定。

来源：Vibe README 的官方界面概览图，展示文件、麦克风和链接入口，以及语言选项。画面没有转写成品，不能用来证明字幕准确率或中文识别质量。打开原图。

图里文件夹入口与历史记录并存，说明这款工具的组织方式围绕一次次素材处理展开。它不会因为界面里有几个示例文件名，就证明这些文件经过了怎样的识别；值得继续核对的是导出文件能否进入自己的剪辑或文档流程。

字幕正确，还包括时间能对上

Vibe 当前 README 写明支持稳定时间戳模式，借助语音活动检测改善字幕时间安排，同时注明速度较慢；还提供适合视频或短片的字幕长度选项。对于字幕任务，这比只看“转出多少文字”更切题：一句话识别正确，起止位置偏了，仍要返工。

例如，假设一段培训录音里，讲师先说旧流程，停顿后才补充“这个步骤现在取消了”。教学上的验收应检查补充句有没有漏掉、字幕是否跨过停顿、否定词是否正确，再输出带时间的字幕和一份文字稿。这里没有运行示例，也不把预期结果写成 Vibe 已完成的成果。

我会保留音频与字幕的对应位置，优先修订专名、数字和否定表达，再做摘要。摘要压缩的是文字含义，若底稿先漏了一句关键修正，后续组织得再顺也不能补回原话。

模型可以换，语言效果不能通用

仓库里的简体中文模型文档说明可以通过设置添加模型，并列出 Tiny、Large v3 Turbo、Parakeet 与 Nemotron 等入口。中文说明方便理解安装关系，但它本身不是中文语音识别成绩。

不同模型的语言覆盖、资源需求和用途需要分别确认，不能从软件列出多种模型，推断它们都适用于中文材料。更稳妥的开始方式，是用自己有权处理的一小段目标语音，对照原声检查术语和数字，再决定模型与批量任务。本文没有足以保证中文、方言或重叠人声效果的实测材料。

“翻译”也要看目标语言。README 介绍的是翻译成英语，不能据此推荐它把任意外语直接译成中文字幕；转写原语言与翻译是两个任务。

离线转写与云端摘要，有不同的数据去向

Vibe 将本地音视频转写描述为离线处理，前提是安装包和模型已准备好。下载模型、更新软件、通过网址获取素材仍可能需要网络，“本地转写”不表示整个应用生命周期从不联网。

摘要是另一个可选步骤：README 同时列出 Claude API 摘要和 Ollama 本地分析。使用 Claude 时，相关文字需要送到 Anthropic 处理，使用者须准备 API 凭证并承担对应费用，不能把它算进“免费离线转写”。选本机 Ollama 可以在本地做文字推理；若 Ollama 服务部署在其他机器，文字会到那个端点。

如果材料要求全过程留在设备，应选择本地文件、本机识别模型和本机摘要服务，并核对实际端点。只需要字幕时，可以在导出后结束，不必为“功能完整”额外启用摘要。

免费代码的范围，与开始入口

Vibe 的 LICENSE是 MIT，覆盖该软件代码，使用和分发须保留相关声明。它不自动授予第三方模型权重、网上素材或 Claude 云服务的使用权；每个模型与来源材料仍有自己的条件。软件下载与外部模型调用要分别考虑，免费使用转写软件不会带来 Claude 的免费 API 权益。

从官方下载页选择 macOS、Windows 或 Linux 版本，准备模型，再拖入一段短素材。确认语言、时间戳和导出格式后，再用文件夹或批量入口处理整批。对于已有录像、需要字幕与文稿两份成果的用户，这条路线有明确终点，也保留了把摘要留到后面的选择。