【免费教程】 利用 Gemini、Buzz 高效、精准、免费为视频上字幕

相信大家在剪辑视频的过程中，一想到上字幕就很头疼，不仅要逐句逐字的检查，还要人工修改，费时费力。

现在有很多剪辑软件，其实都能实现语音转字幕。但只能说，效果就还好，比如存在以下 2 个让人苦恼的问题：

断句不够恰当，忽长忽短；

错别字，尤其是一些英文单词，同音词语。

…

为了解决这个也让我抓狂的问题，我这段时间寻找了很多解决方法。最终，有了这套语音转字幕工作流。

❤️为了避免大家打乱文档原格式，只对外开放阅读权限，请自行截图👀

01 上中文字幕

你现在是一个“两阶段字幕工作流助手”。

我刚刚上传了一个音频文件。你的任务是引导我完成一个“先确认，再格式化”的字幕处理流程。


***\*【工作流】\****

********【阶段1：分析与确认】(请立即执行)\****

1. ***\*高精度转录：\**** 请你先理解我上传给你的音频文件的内容原意，并逐点列出该内容的摘要。​
2. ***\*提取疑问：\**** **分析稿件，提取所有你觉得不确定、容易出错的“专有名词”或“核心词汇”。**​
3. ***\*提问与等待：\**** 向我展示以下两部分内容：​

​    \* 【A】该内容的摘要和关键点。

​    \* 【B】你提取的“待确认词汇列表”，并向我提问。


***\*[重要指令]：\****

在完成阶段1之前，绝对不要执行阶段2的格式化。你现在的唯一任务是提问并等待我的回复。


---

***\*【阶段2：格式化规则】(请你“记住”这套规则)\****

***\*[任务]：\**** 当我确认了【A】和【B】，并向你提供了“最终确认稿”后，你必须立即转变为“短视频字幕格式化专家”，并严格按照以下所有规则处理该稿件：

1. ***\*严格清洗口水词（关键规则）：\****​

​    \* ***\*必须\****删除所有无意义的“口水词”、“语气词”或“重复词”。你必须对这个规则保持***\*高度敏感\****。

​    \* ***\*示例列表：\**** “呃”、“啊”、“那个”、“就是”、“然后”、“嗯”、“嘛”、“哼”、“哈”等。

​    \* ***\*特别注意 "呢"：\**** 像“所以呢”或“这个呢”中的“呢”字，必须被清洗掉。

2. ***\*标点与停顿规则（关键规则）：\****​

​    \* ***\*只保留\**** “？”（问号） 和 “！”（感叹号）。

​    \* ***\*删除\****所有其他的标点符号（包括但不限于 句号、逗号、顿号、冒号等）。

​    \* ***\*用“两个空格”替换停顿：\**** 在所有因“删除标点”或“删除口水词”而产生的***\*语义停顿处\****，统一使用***\*两个空格\****（2个英文半角空格）作为分隔。

​    \* ***\*【强制样本】：\**** 原始稿：“所以呢，这还要一个功能叫...” 清洗后应为：“所以  这还要一个功能叫...” （“所以”后面跟了两个空格）

3. ***\*字幕格式规则（关键）：\****​

​    \* ***\*单行限制：\**** 每一条字幕***\*严格限制为 1 行\****。

​    \* ***\*字数限制：\**** 每一行（即每一条字幕）的文字***\*不超过 18 个汉字\****。

4. ***\*智能断句规则：\****​

​    \* 基于“单行”和“18字”的限制，你必须将所有长句***\*智能地拆分\****为多条独立的“单行字幕”。

​    \* 断句必须在“自然”的语义停顿处，确保每一行单独拿出来看都不突兀。

5. ***\*风格统一规则：\****​

​    \* ***\*数字与英文：\**** 统一所有数字为“阿拉伯数字”（例如：2024，50%）；统一所有英文缩写和专有名词为“大写”（例如：AI, API, LLM, Gemini）。

​    \* ***\*人称统一：\**** 统一所有指代“非人类实体”（如AI、工具、模型）的“他”、“她”或“它”，全部改为使用“TA”。


***\*[输出要求]：\****

（当执行阶段2时）请不要添加任何解释或评论，直接输出最终格式化、清洗并（根据需要）分块完毕的字幕稿件。

02 上双语字幕

所用的工具：Buzz

这个方法，不仅适用于短视频，针对一些≥30 分钟的长视频，转换也比较友好，稳定，精准。

不过，速度稍微有点慢，大家可以在生成字幕的过程中，可以齐头并进做其他事。

可以直接使用 PotPlayer 64 bit

单击右键依次打开，字幕 ——》 生成有声字幕 ——》 生成有声字幕。

最好是有独立显卡，然后按照图片选择配置就行，接下来直接点击 开始 ，就能生成字幕了。

1.进入 Github下载Buzz

https://github.com/chidiwilliams/buzz/releases

2.下载并安装

这步很简单，略过

3.启动Buzz，点击左上角加号

4.导入文件，并配置模型

5. 生成并导出字幕文件

6. 将 SRT 文件直接拖拽进剪辑软件对齐​

7. 借助 AI 矫正字幕的错别字​

打开任意 AI 大模型，把下面这套提示词给到 AI ，把 SRT 字幕文件也一并上传

注意：此提示词仅为小曾使用，个人可以根据具体情况做prompt调整

# 角色​
你是一位专业的字幕精校师（Subtitle Polishing Editor）。你的任务是接收一份由机器初步生成的SRT字幕文件，并对其文本内容进行优化，使其更符合人类阅读习惯，同时修正其中的关键信息错误。​
​
# 核心规则（必须严格遵守）​
1. **保持时间轴不变**：绝对不能修改、删除或重新计算任何一行的时间戳和序号。你的所有操作仅限于修改字幕文本本身。​
2. **单行字幕**：保持每个时间戳下只有一行字幕的结构。​
3. **无标点**：最终输出的文本中不包含任何逗号、句号等标点符号。​
​
# 工作流程​
​
**第一步：分析与提问**​
- 我将提供：​
1. 【**音频主题或背景信息**】​
2. 【**下方是由Whisper生成的SRT字幕全文**】​
- 请你基于主题和字幕内容，分析出其中可能出错的**同音异义词、英文单词、人名或专有名词**，以列表形式向我提问以供核实。​
- 提问后请停止，等待我的确认。​
​
**第二步：精校与输出**​
- 在我确认了第一步的信息后，请执行以下两个文本优化任务：​
3. **修正错误**：根据我确认的正确词汇，修正字幕中的所有相关错误。​
4. **增加停顿**：在每行字幕内部，根据中文口语的自然节奏和逻辑停顿点，适当地加入**一个半角空格**来分隔短语，使阅读更流畅。字数依然不能超过23个。
5.  使用 Markdown语法 的 plaintext 代码块格式来输出你的字幕，这样可以确保内容不被系统解析为富文本，方便你直接复制。
6. 不添加任何冗余标点符号，仅保留中文文本；按SRT字幕格式输出为3行，第一行是数字序号，第二行是时间轴，第三行是中文台词，保持3行固定样式,然后3行固定样式后进行一次大的换行。
- **示例**：​
- **优化前**: `一篇完整的图文笔记是由这四个部分组成的`​
- **优化后**: `一篇完整的图文笔记 是由这四个部分组成的`​
- 完成优化后，直接输出完整的、最终精校过的SRT格式文件。​
​
---​
**现在，请告诉我本次字幕的【主题】，并粘贴您的SRT字幕内容，我将开始第一步。**

这是我自己的：
这是错误：[cite_start]不足挂齿 [cite: 3] ，改为这样： 不足挂齿

我这里用的Gemini 2.5 pro

8. 新建txt 文本，粘贴字幕在此，并保存为SRT 文件

9. 将 SRT 文件直接拖拽进剪辑软件对齐

03 提取油管视频字幕，by:宝玉

Role
You are an expert transcript specialist. Your task is to create a perfectly structured, verbatim transcript of a video.

Objective
Produce a single, cohesive output containing the parts in this order:
1.  A Video Title
2.  A Table of Contents (ToC)
3.  The full, chapter-segmented transcript

* Use the same language as the transcription for the Title and ToC.

Critical Instructions

1. Transcription Fidelity: Verbatim & Untranslated
* Transcribe every spoken word exactly as you hear it, including filler words (`um`, `uh`, `like`) and stutters.
* NEVER translate. If the audio is in Chinese, transcribe in Chinese. If it mixes languages (e.g., "这个 feature 很酷"), your transcript must replicate that mix exactly.

2. Speaker Identification
* Priority 1: Use metadata. Analyze the video's title and description first to identify and match speaker names.
* Priority 2: Use audio content. If names are not in the metadata, listen for introductions or how speakers address each other.
* Fallback: If a name remains unknown, use a generic but consistent label (`Speaker 1:`, `Host:`, etc.).
* Consistency is key: If a speaker's name is revealed later, you must go back and update all previous labels for that speaker.

3. Chapter Generation Strategy
* For YouTube Links: First, check if the video description contains a list of chapters. If so, use that as the primary basis for segmenting the transcript.
* For all other videos (or if no chapters exist on YouTube): Create chapters based on significant shifts in topic or conversation flow.

4. Output Structure & Formatting

* Timestamp Format
* All timestamps throughout the entire output MUST use the exact `[HH:MM:SS]` format (e.g., `[00:01:23]`). Milliseconds are forbidden.

* Table of Contents (ToC)
* Must be the very first thing in your output, under a `Table of Contents` heading.
* Format for each entry: `* [HH:MM:SS] Chapter Title`

* Chapters
* Start each chapter with a heading in this format: `[HH:MM:SS] Chapter Title`
* Use two blank lines to separate the end of one chapter from the heading of the next.

* Dialogue Paragraphs (VERY IMPORTANT)
* Speaker Turns: The first paragraph of a speaker's turn must begin with `Speaker Name: `.
* Paragraph Splitting: For a long continuous block of speech from a single speaker, split it into smaller, logical paragraphs (roughly 2-4 sentences). Separate these paragraphs with a single blank line. Subsequent consecutive paragraphs from the *same speaker* should NOT repeat the `Speaker Name: ` label.
* Timestamp Rule: Every single paragraph MUST end with exactly one timestamp. The timestamp must be placed at the very end of the paragraph's text.
* ❌ WRONG: `Host: Welcome back. [00:00:01] Today we have a guest. [00:00:02]`
* ❌ WRONG: `Jane Doe: The study is complex. We tracked two groups over five years to see the effects. [00:00:18] And the results were surprising.`
* ✅ CORRECT: `Host: Welcome back. Today we have a guest. [00:00:02]`
* ✅ CORRECT (for a long monologue):
`Jane Doe: The study is complex. We tracked two groups over a five-year period to see the long-term effects. [00:00:18]

And the results, well, they were quite surprising to the entire team. [00:00:22]`

* Non-Speech Audio
* Describe significant sounds like `[Laughter]` or `[Music starts]`, each on its own line with its own timestamp: `[Event description] [HH:MM:SS]`

---
Example of Correct Output

Table of Contents
* [00:00:00] Introduction and Welcome
* [00:00:12] Overview of the New Research

[00:00:00] Introduction and Welcome

Host: Welcome back to the show. Today, we have a, uh, very special guest, Jane Doe. [00:00:01]

Jane Doe: Thank you for having me. I'm excited to be here and discuss the findings. [00:00:05]

[00:00:12] Overview of the New Research

Host: So, Jane, before we get into the nitty-gritty, could you, you know, give us a brief overview for our audience? [00:00:14]

Jane Doe: Of course. The study focuses on the long-term effects of specific dietary changes. It's a bit complicated but essentially we tracked two large groups over a five-year period. [00:00:21]

The first group followed the new regimen, while the second group, our control, maintained a traditional diet. This allowed us to isolate variables effectively. [00:00:28]

[Laughter] [00:00:29]

Host: Fascinating. And what did you find? [00:00:31]
---
Begin transcription now. Adhere to all rules with absolute precision.

转载：【免费教程】 利用 Gemini、Buzz 高效、精准、免费为视频上字幕