whisper.cpp：在本地把音轨转成SRT或VTT，再交给剪辑软件

剪辑软件需要SRT或VTT，而你手上只有一条录音，whisper.cpp提供一个明确的本地出口：加载Whisper权重，转写音轨，再按参数导出字幕文件。它是ggml社区维护的C/C++推理实现，不是OpenAI云端API，也不需要把基础推理请求发送给远程服务。

官方CLI说明列出output-srt、output-vtt和output-txt等导出参数。标准字幕文件才是这里关注的交付物；终端里能看到一段文字，和剪辑软件已经能导入文件，是两个不同状态。

官方快速示例用base.en识别jfk.wav，适合展示权重下载、编译和转写的连续关系，但base.en是英语版本。中文任务应选择不带.en后缀的多语言模型，例如base或small，并按实际音频指定zh或自动检测。不能只把官方示例的输入文件换成中文，就认为默认英语权重和语言参数会自动变成多语言方案。

准备音频时，建议先转成单声道16kHz、16位PCM WAV。当前仓库快速开始与CLI格式提示在支持范围上有差异，不同构建还可能启用FFmpeg解码；统一成这类WAV可以减少容器和编码差异，不能把某个额外构建的MP3支持当作所有二进制的保证。视频则先抽取音轨，再处理字幕。

在已完成编译、准备好 models/ggml-base.bin 多语言权重的前提下，可按官方参数组织这条中文录音示例（未运行）：

./build/bin/whisper-cli -m models/ggml-base.bin -f output.wav -l zh -osrt -of recording

-osrt 选择SRT，-of recording 指定不含扩展名的文件名；完成后应检查 recording.srt 是否实际生成，再导入剪辑软件。换成 -ovtt 则选择VTT。文件有了以后，还应听校专名、数字与起止位置，不能把命令无报错等同字幕可交付。

需要英文译文时也别误读参数。translate的目标是英语，不是任意语言互译；原中文转写和英文翻译应按不同任务保存。CLI里的diarize针对立体声音频，tinydiarize还需要对应tdrz模型，都不能概括成自动识别所有发言人的姓名。普通多语言Whisper权重也不会因为打开一个选项就拥有通用声纹识别。

时间戳方面，SRT段落边界不等于逐字字幕。官方另有词级与DTW相关参数，使用条件与准确性仍需验证。若为了字幕好读而合并、删除或改写文字，起止时间也应重新检查；尤其背景音乐、长静音或含糊口语，识别结果可能需要较多人工修订。

部署分为编译程序、准备权重和推理三步。仓库支持CPU及多种GPU后端，Apple Silicon有专门优化，但启用哪个后端取决于构建方式。小模型更易运行，也可能牺牲识别表现；较大模型增加资源需求。不要把某台设备的演示速度写成所有电脑的实时承诺。首次准备依赖与模型需联网，真正离线时应使用本地文件并做断网检查。

whisper.cpp采用MIT，所用官方Whisper上游也提供MIT许可；另加模型、VAD组件、解码库或封装程序仍应分别确认条款。音轨的处理和发布权限也不会由软件许可代替。

它适合愿意使用命令行、需要本地字幕文件并能保留听校步骤的流程。把输出文件接进剪辑软件只是制作中段，断句、阅读速度和关键内容仍由编辑最后把关。

资料：CLI导出参数、仓库快速开始、实现许可、Whisper上游许可。