MacWhisper 同 Subtitle Studio 邊個好?整片字幕邊個先啱用

如果你有用 Mac 剪片,應該聽過MacWhisper——一個好紅嘅 App,可以完全喺你部機度自己跑 OpenAI 嗰個 Whisper 模型。Subtitle Studio 喺引擎嗰層做嘅事其實一樣:兩個都係用 Whisper,都轉錄得到語音,都靠本機處理保住你嗰啲音訊私隱。

咁點解要揀其中一個,唔用埋另一個呢?

因為轉錄同整字幕係有關係,但唔係同一件事。MacWhisper 係整嚟將聲變做文字嘅。Subtitle Studio 就係整嚟將影片同播客節目變做可以直接出街嗰啲字幕檔——幫 Whisper 先處理好音訊,再用 NLP 將轉錄稿後處理到分段夠易睇,仲畀你一堆貼合創作者實際做法嘅編輯工具。

我哋用返同一批片段測試過兩個 App,以下係測試結果。

---

MacWhisper 同 Subtitle Studio 有咩共通

兩個工具都係打好穩陣底:

• 底層都係 Whisper——OpenAI 嗰個開放權重語音識別模型,喺 Apple Silicon 或者 Intel Mac 度本機跑得
• 裝置本機保私隱——你嘅影片同音訊永遠唔會離開你部機
• 多語言——Whisper 原生就搞得掂 90 種以上語言
• 輸出格式——MacWhisper Pro 可以輸出 SRT 同 VTT 字幕檔;Subtitle Studio 就輸出SRT同FCPXML

如果你要處理 Zoom 錄影,或者要一份純文字嘅會議記錄,MacWhisper 都幾夠用。拖個音訊檔入去,揀個模型大小,就有帶時間戳嘅轉錄稿。

至於播客,揀邊個就要睇你最後要嗰個係咩。如果你要一份純文字轉錄稿去寫節目筆記或者做搜尋,MacWhisper 已經夠用。但如果你要將整集節目上傳去 YouTube、剪個 audiogram 片放上社交媒體,又或者你節目嘅任何影片版都要準確、改得到嘅 SRT 字幕,咁 Subtitle Studio 就啱啲。

當你目標係整字幕——唔理係影片、播客嗰個影片版,定係短片——差距就出返嚕,特別係有背景音樂、講得快、多語言,或者中文對話嗰啲內容。

MacWhisper 介面,見到處理完影片檔之後嗰個轉錄稿畫面

Subtitle Studio 編輯器,波形圖、字幕清單同影片預覽全部同語音對齊

---

MacWhisper 做影片字幕唔夠嗰啲地方

MacWhisper 一開始就係設計做轉錄助手,唔係字幕編輯器。呢一點喺三個影片創作者最緊要嘅地方就會現形。

背景音樂令到漏字

Whisper——連埋 MacWhisper——一撞到語音同背景音樂、片頭音樂,或者環境聲夾埋一齊,就會頂唔住。呢個模型設計成即使信心低,都要為每段音訊噏返啲文字出嚕。實際上,呢樣就常常搞出:

• 漏字——音樂遮咗輔音或者細聲咗嗰陣
• 兩句黐埋一齊——兩句話糊成一段
• 對話有窿——有啲對話喺轉錄稿裏面根本冇出現過

呢個係已知嘅 Whisper 限制,唔係 MacWhisper 獨有嘅問題。MacWhisper 就係將你嗰段音訊原封不動送去 Whisper,冇任何前置步驟去清理訊號,或者為語音識別做優化。

冇一套真正嘅字幕編輯流程

MacWhisper 畀你邊播放邊睇轉錄稿,再輸出做 SRT。但佢冇畀你一個以字幕為主嘅編輯體驗:

• 冇同波形圖同步嗰種時間手柄,畀你微調字幕啱啱好對齊某個音節
• 冇分割或者合併工具,去修正嗰啲換行得幾尷尬嘅地方
• 冇拖曳重新對齊嗰種做法,去搞返某段字幕開始時間差咗半秒嗰個問題
• 冇綁埋你時間碼嗰種內置翻譯

如果某段字幕早咗兩秒出,或者某一行對直度片嚟講太長,喺 MacWhisper 度你就淨係得用文字編輯器改嗰個輸出咗嘅 SRT 檔,或者開另一個 App。五分鐘嗰種短片,咁做都頂得住。但四十分鐘嘅訪談,或者一批社交媒體剪片,呢個就會變成拖慢你嘅樽頸。

更易噏埋啲冇講過嘅嘢

Whisper 幻覺——即係個模型喺靜音、音樂,或者噪音嗰陣,噏出啲聽落好似啱,但實際上冇人講過嘅字——係呢個模型最出名嗰啲問題之一。徵狀包括:

• 音樂段度,同一句講足幾十次
• 靜嗰陣插句「Thanks for watching!」呢類廢話
• 直接捏造啲根本冇人講過嘅對話

MacWhisper 就直接照噏 Whisper 出嗰啲。Subtitle Studio 就內置咗幻覺修正優化,用信心評分同語音活動分析嚟偵測,再拆走呢啲虛構出嚕嘅段落——確保你嗰條字幕軌反映真係講過嘅內容,唔係模型喺片頭音樂嗰陣亂噏出嚟嗰堆。

---

Subtitle Studio 喺 Whisper 上面加咗啲乜

Subtitle Studio 唔係取代 Whisper,而係將佢包埋喺一套專門為影片同播客內容整字幕而整嘅三階段流程裏面:前處理 → 轉錄 → 後處理。

前處理:Whisper 未跑之前先優化好音訊

Whisper 未睇你檔案之前,Subtitle Studio 會先準備好音訊,確保個模型攞到最乾淨嗰種輸入:

• 語音活動偵測(VAD)——分清楚音軌邊部分有講話,邊部分係靜音、音樂,或者環境噪音
• 降噪——壓低背景嗡嗡聲、房間回音,同競爭嘅聲音,令輔音同字詞邊界睇得清楚
• 語音分離——聚焦返去有意義嘅對話,唔係整段混埋一齊嘅音軌

呢類前處理同專業 Whisper 部署嗰種建議做法係同一個級數——但呢個係內置、自動,同埋為影片同播客音訊調校好嗰種,唔使你自己設定。輸入乾淨啲,即係片頭音樂漏字少啲、嘈雜片段輸出冇咁亂,亦令模型喺非語音段落捏造文字嗰個機會低啲。

後處理:用 NLP 分段,睇得更舒服

Whisper 出返嗰嚿係轉錄稿,唔係字幕。長氣冇停嗰啲段落、尷尬嘅句中斷行,同埋唔見咗嘅標點,做文字文件冇問題,但喺畫面上就好難睇。

轉錄完之後,Subtitle Studio 會用基於 NLP 嘅後處理,將轉錄稿變做分段啱晒嘅字幕:

• 自然斷句——換行喺分句同句子邊界斷開,唔係跟住個字數就亂咁斷
• 可讀性規則——每段長度同閱讀速度調校過,觀眾唔使趕住睇都跟得上
• 標點補返——逗號、句號同問號會補返 Whisper 漏咗嘅位置
• 睇語言嚟分行——中文、日文呢類 CJK 語言,會攞到啱佳呢啲文字閱讀習慣嗰種分段,唔係照搬英文嗰套斷行邏輯

目標係令你攞到嗰啲字幕只需要好少手動清理就出得街,唔係一大嚿文字要你自己再重新執靚佢。

強制對齊,做到逐格精準嗰種時間軸

Whisper 內置嗰啲時間戳只係大概,通常四捨五入到最接近嗰一秒——做轉錄稿冇問題,但字幕要準確配合講話出現嗰刻就唔夠用。

Subtitle Studio 轉錄完之後會跑強制對齊器:將文字重新對返去音訊波形圖嗰個字詞層級,令每段字幕開始同結束都準確對正真係開始講同停講嗰刻。結果就係字幕感覺同影片完全同步,唔會早一拍出,或者講完仲賴住喺畫面。

內置嘅編輯工具

所有執靚字幕要用嗰啲功能,全部集中喺一個視窗裏面:

重新對齊——揸住字幕條邊,拖去對齊波形圖。時間軸即時更新,唔使自己打時間碼。

Subtitle Studio 重新對齊工具,一段字幕正拖住去對齊音訊波形圖

分割——喺播放頭嗰個位置,將太長嘅字幕斷開做兩行,時間會自動重新分配。

Subtitle Studio 分割工具,將一句太長嘅字幕分開做兩段短啲嘅

合併——將 Whisper 出返嗰啲碎片,黐埋做流暢連貫嘅句子。

Subtitle Studio 合併工具,將兩段短字幕黐埋做一段完整字幕

翻譯——由你改好嗰個原文,生成第二語言嗰條字幕軌,仲保留住每個時間碼。接得埋 OpenAI、DeepSeek、Grok,或者本機 Ollama 模型。

Subtitle Studio 翻譯面板,見到語言選擇器同 AI 供應商選項

呢啲唔係得閒先諗嗰啲添加功能——佢哋就係任何日日都要出街帶字幕影片或者播客短片嗰啲人嘅日常工作流程。

---

逐項比較

我哋用返同一批測試片段,喺兩個 App 度處理過。下面呢張表總結咗英文對話、多語言內容,同中文對話裏面,持續出現嗰啲差異。

	MacWhisper	Subtitle Studio
準確度(清晰語音)	好	好
準確度(音樂/噪音)	好易漏字;音樂段落唔穩陣	VAD + 降噪前處理,捉字捉得更準
幻覺處理	原始 Whisper 輸出;可能有虛構文字	幻覺修正功能拆走虛構段落
時間精準度	Whisper 大概嗰種時間戳(約 1 秒粒度)	強制對齊器;字詞層級同步波形圖
分段	自動分段;控制有限	NLP 後處理 + 分割、合併、換行工具
字幕編輯	睇轉錄稿;輸出 SRT 去外面編輯	完整波形圖編輯器,拖住就可以重新對齊
多語言優化	跟返 Whisper 預設	為混合語言影片調校過嗰套流程
中文優化	標準 Whisper 中文處理	加強咗嘅 CJK 分段同標點處理
翻譯功能	冇內置	內置、保留時間碼、多個 AI 供應商任揀
最啱用嚟	會議、訪談 → 純文字	影片、播客、短片 → 出街用嗰啲 SRT / FCPXML

**準確度:**面對錄音室嗰種清晰旁白,冇背景音樂,兩個 App 表現差唔多——因為都用 Whisper large-v3。差異一加埋配樂、房間回音,或者壓縮過嗰啲社交媒體音訊就出返嚕。Subtitle Studio 嗰套 VAD 同降噪前處理,救得返 MacWhisper 漏咗嗰啲字。

**分段:**Whisper 睇停頓長短,好易整到過長嗰段,或者碎到嚟嗰啲片段。Subtitle Studio 嗰套 NLP 後處理,會喺自然斷句同句子邊界度斷開轉錄稿,可讀性做到最盡——之後仲有分割、合併同換行工具,畀你微調到啱你嗰套風格指引(橫度片每行 42 個字,直度片每行 20 個字),唔使搬去另一個 App 重新輸出。

**多語言優化:**兩個都撐 90 種以上語言,不過字幕時間同換行方式,喺唔同文字系統度表現唔一樣。Subtitle Studio 嗰套流程係專門為跨語言整字幕而調校,唔係淨係吐一堆純文字出嚕。

**中文優化:**普通話同廣東話都有自己嗰啲難處:冇字詞空格、音調敏感嗰啲同音字,同埋同英文唔一樣嗰套標點規則。Subtitle Studio 嗰套 NLP 後處理,會用返原始 Whisper 輸出冇嗰種 CJK 專屬分段同標點修復,做出嚕嘅字幕行喺畫面上讀落自然,唔係一串黐埋一齊嗰種文字。

---

睇下實測比較

下面呢段片,展示同一段片喺兩個 App 度處理嗰個結果。留意下音樂段度漏咗嗰啲字、講得快嗰陣時間有冇偏差,同埋分段方式有咩唔同。

---

結論:兩件工具,做兩件唔同事

**MacWhisper 係一件穩陣嘅轉錄工具。**如果你錄嗰啲係 Zoom 會議,或者要由訪談攞到可以搜索嗰啲純文字轉錄稿——佢做呢件事做得好,私隱有保障,一次性收費亦幾公道。講者分離、批量處理,同監控資料夾自動化,對於以文字為最終成品嗰種音訊優先流程嚟講,真係好有用。

**Subtitle Studio 就係為整字幕而整嘅。**如果你最後要嗰嚿係一個畀 YouTube 影片用嘅 SRT 檔、一整集播客上傳、畀 Instagram 或者 TikTok 用嗰種 audiogram 短片、畀國際觀眾嗰條翻譯字幕軌,或者要匯入 Final Cut Pro 整靚字幕嗰種 FCPXML——你都要準確嗰個時間軸、乾淨嗰個分段,同編輯工具全部集中喺同一個 App 裏面。呢個正正就係 Subtitle Studio 優化嗰個方向——唔理來源係 vlog、教學片,定係一集兩個鐘嘅播客。

用 MacWhisper 去整字幕,就好似攞個文字處理器去改時間軸咁——佢確實輸出到啱嗰個檔案格式,但呢套流程根本唔係為呢件事整嘅。

---

常見問題

MacWhisper 整唔整得字幕出嚕?

得。MacWhisper Pro 輸出到帶時間戳嗰種 SRT 同 VTT 檔。如果係音訊乾淨、編輯需求少嗰種簡單片,已經夠用。但如果有背景音樂、剪得快,或者非英文內容,就要有心理準備做好多手動清理——唔理係喺輸出嗰個檔度改,定係用另一個編輯器。

兩個 App 用嗰個係唔係同一個 AI 模型?

兩個都係建基喺 OpenAI 嗰個 Whisper 系列,但底層唔係一模一樣。Subtitle Studio 用嗰個係一個經過優化、微調過嗰個 Whisper 模型,專門針對影片同播客內容訓練同調校——喺創作者實際會撞到嗰種混合音訊(片頭音樂夾住講嘅、房間噪音、壓縮過嗰啲社交媒體音訊,同多語言講話)上面,做到轉錄快啲同準確啲。

MacWhisper 就畀你用返標準 Whisper 嗰幾種模型大小(由 Tiny 到 Large),做通用轉錄用。Subtitle Studio 嗰個模型就配埋一整套字幕流程:轉錄之前有 VAD 同降噪前處理,轉錄之後有 NLP 分段,仲有幻覺過濾、強制對齊,同一個以字幕為主嗰種編輯介面。

Subtitle Studio 處唔處理得播客?

得。將你嗰個播客影片檔匯入去——唔理係一整集 YouTube 節目、錄好嗰個訪談,定係剪嚕嚟做社交媒體嗰段短片——Subtitle Studio 都會用返同其他影片一樣嗰套流程,做出有時間碼、易睇嗰啲字幕。對於要出街節目影片版、整 audiogram,或者要畀國際觀眾嗰條翻譯字幕軌嗰啲播客主嚟講,呢樣特別有用。如果你淨係要一份純文字轉錄稿寫節目筆記,唔要字幕,MacWhisper 可能係簡單啲嗰個揀擇。

MacWhisper 係唔係差?

唔差。佢係 Mac 度數一數二嗰啲本機轉錄工具,將聲變文字做得幾好。呢篇文比較嗰個重點係啱唔啱用嗰個場景——轉錄同整字幕嘅分別——唔係話整體質素高低。

我應該揀邊個?

• 揀 MacWhisper,如果你主要要由會議、電話,或者訪談攞返純文字轉錄稿——包埋唔要字幕嗰種播客節目筆記
• 揀 Subtitle Studio,如果你剪片、出街嗰啲播客要上 YouTube、剪帶字幕嗰啲社交媒體短片,或者要準確、改得到、出得街嗰啲字幕

好多播客主兩件都用:寫節目筆記用 MacWhisper,上 YouTube 同整 audiogram 短片就用 Subtitle Studio。