YouthNote

外观

用 VideOCR 从视频里抠硬字幕

约 878 字大约 3 分钟

工具OCR字幕教学

2026-07-19

最近想拿一些英语视频当教学材料，需要把字幕提取出来给 AI 喂。以前一直用 网易见外 做语音转写，但结果很糟糕——专有名词乱拼、标点瞎加、断句完全看心情，每段都得手动过一遍。

关键是：这些视频本来就带着内嵌字幕，根本不需要语音识别，只需要把画面里的字读出来就行了。所以问题变成了视频 OCR。

翻了一圈，找到 VideOCR — 一个专门干这事的小工具。

VideOCR 是什么

一个带 GUI 的视频硬字幕提取工具，背后的 OCR 引擎是 PaddleOCR（百度开源），支持 200+ 种语言。也可以切换到 Google Lens 模式，利用云端做文字识别，速度更快。

有 Windows 版和 Linux 版，也提供了 Docker 镜像，不想装环境的话可以直接拉容器跑。

为什么它比语音识别好

语音转写（ASR）的问题是它只能猜字幕内容，遇到口音、背景音乐、多人重叠说话，基本靠不住。而内嵌字幕本身就是文本的精确呈现，OCR 直接读画面，不会有 ASR 那种"听错了"的错。

网易见外（ASR）VideOCR
识别对象语音画面字幕
正确率受口音/噪音/语速影响大受画质/字体影响，字幕清晰时几乎 100%
后处理经常要改几乎不用改
语言中英为主200+ 种
本地运行❌ 必须上传✅ 纯本地/自托管

怎么用

GUI 版最直观：导入视频，拖动时间轴定位字幕区域，画一个选框框住字幕行（左右留一点余量），点击 Run 就行了。输出是标准的 .srt 文件，可以直接拖进剪辑软件或作为 AI 上下文。

CLI 版适合批量处理：

.\videocr-cli.exe \
  --video_path "lecture.mp4" \
  --output "lecture.srt" \
  --lang en \
  --time_start "18:40" \
  --use_gpu true

关键参数：

  • --lang：字幕语言，PaddleOCR 支持 200+ 种
  • --ssim_threshold：帧相似度阈值，值越低跳过的重复帧越多，速度越快。字幕区域选取精确的话，调到 85 都没问题
  • --frames_to_skip：每隔几帧采样一次，想要精确时间戳就设 0
  • --ocr_engine：paddleocr（本地）或 google_lens（在线，更快）

Docker 用户：

docker run --rm -it --gpus all \
  -v /path/to/videos:/data \
  ghcr.io/timminator/videocr-cli-gpu-cuda12.9:latest \
  --video_path /data/lecture.mp4 \
  --output /data/lecture.srt \
  --use_gpu true

一些细节经验

  1. 选框不要贴着字 — 上下留点缓冲区，OCR 准确率更高；但选框也不要太大，不然会框进背景干扰
  2. PaddleOCR 跑 CPU 很慢 — 有独显一定开 --use_gpu；没独显用 Google Lens 模式
  3. 后处理补空格 — --post_processing 参数会修复 PaddleOCR 常见的缺空格问题（目前支持英/西/葡/德/意/法）
  4. 中文简繁 — 有 --normalize_to_simplified_chinese 参数，繁体自动转简体
  5. 亮度阈值 — 白字字幕可以设 --brightness_threshold 把暗部涂黑，提升识别效果

适合什么场景

  • 教学视频：把课堂录像的字幕提取出来，给 AI 做语料分析或生成练习题
  • 外语影视：下载带内嵌字幕的外语片，提取字幕做精读 / 查词 / 对照翻译
  • 演讲稿转文字：带字幕的 TED 类视频，一键出稿

只要视频本身有清晰的硬字幕，VideOCR 就是最直接的解法，比语音转写省心太多了。