Studio0808 AI 字幕工廠

📜 更新日誌

💡 系統簡介

Studio0808 AI 字幕工廠 基於 OpenAI 最先進的 Whisper Large-V3 模型，提供精準的語音辨識服務。

無論是影片創作者、會議記錄，還是追劇翻譯，只要硬體效能夠強，就能快速完成逐字稿生成，還可逐句修正編輯，再壓制影片產出。完全本地執行，無需上傳雲端，隱私百分百保障。

✨ 適用場景

🧠 AI 模型效能比較

📖 操作教學

📂 安裝說明 (V3.0 懶人包)： 下載後直接將 ZIP 檔解壓縮至硬碟 (建議路徑如 D:\Studio0808)，接著執行資料夾內的 Studio0808_AI_Subtitle_V3.exe 即可開始使用。無需額外設定。
💡 首次啟動提示：點擊執行後，會立即彈出「Studio0808 載入中」的啟動圖檔 (Splash Screen)。此時背景正在解壓縮與載入龐大的 AI 核心環境，請耐心靜候約 10~20 秒，待主畫面出現後圖檔即會自動消失。

1. 1️⃣ 載入素材 (File List)
   將您的影片或是音樂檔案，直接拖曳入視窗內即可。支援批次處理多個檔案。
   支援格式：mp4, avi, mkv, mov, webm, mp3, wav, flac, aac, m4a
2. 2️⃣ 設定選用參數 (左側欄位)
   
   • AI 模型： 選擇 large-v3 獲得最高精準，或 large-v3-turbo 兼顧速度。
   • 影片語言： 依照影片發音選擇來源語言，若有外語需翻譯可勾選「雙語字幕」(翻譯需連網)。
   • 運算模式： 依照您的顯示卡 (GPU) 顯存大小選擇對應的精度 (例如 float16 或 int8)，優化效能。
3. 3️⃣ 自訂字幕外觀樣式 (右側欄位)
   可以在畫面上分頁切換「主字幕外觀」與「副字幕外觀 (原文)」進行獨立設定：
   • 點擊 🔤 選擇系統字體、調整文字大小及是否加粗。
   • 自訂文字顏色，並可開啟底框、設定背景底色框透明度與色彩，變更將即時反映在下方預覽畫布。
4. 4️⃣ 批次生成與壓制影片
   確認設定與預覽無誤後，可選擇是否勾選「自動壓制影片」並點擊「生成字幕」：
   • 程式將直接跑 AI 聽寫，並產出標準的 .srt 或 .vtt 檔案到 Outputs 資料夾下。
   • 如果勾選了壓制，程式還會調用內置 FFmpeg，自動將剛剛設定好的樣式硬燒錄進影片中，產出內嵌字幕成品！
   • [新增機制] 若重複生成且設定相同，系統會自動附加尾碼流水號 (如 _2)，保護您的前次產出不被覆蓋喔！

❓ 常見問題 (Q&A)

• Q: 什麼是 VAD (語音活動偵測)？為什麼歌詞會不見？
  A: 用於偵測「人聲片段」。
  
  • 訪談/Podcast/演講：建議開啟，可有效濾除無聲片段。
  • MV/歌曲演唱：建議關閉，因為 VAD 容易將背景音樂大聲的歌聲誤判為雜音而過濾掉。
• Q: 雙語字幕 vs 轉譯為中文？
  A: 「雙語」會保留原文+中文；「轉譯」只顯示中文。翻譯功能需連網使用。
• Q: 什麼是「分辨說話者 (Speaker Diarization)」？如何使用並取得 API Key？
  A: 這個功能可以自動偵測音訊中有「幾個人在說話」，並在字幕中標注例如 `[Speaker 0]`、`[Speaker 1]`。
  由於此功能採用 **Pyannote** AI 模型，官方要求使用者必須註冊並同意條款才能免費使用。以下是設定步驟：
  📌 設定四步驟：

  1. 註冊帳號： 前往 Hugging Face 官網 註冊並登入一個免費帳號。
  2. 同意模型條款 (重要)： 必須用同一個帳號，分別進入以下兩個頁面點擊 "Agree and access repository"：
     • 👉 pyannote/speaker-diarization-3.1
     • 👉 pyannote/segmentation-3.0
  3. 取得 Access Token (API Key)： 前往 Settings -> Access Tokens，點擊 "New token"，選取 "Read" 權限後儲存，複製產生的 `hf_...` 字串。
  4. 填入軟體： 在 Studio0808 勾選「分辨說話者」，貼上剛剛複製的 Token，點選確認就大功告成囉！
• Q: 什麼是「壓制影片 (Burn-in)」？
  A: 通常字幕檔 (.srt) 是跟影片分開的。但如果您要上傳到 Instagram 或抖音，可能會需要字幕「直接印在畫面上」。使用本軟體的「壓制影片」功能，就能將您編輯好的字體樣式、顏色，硬燒錄進影片中，產出一個自帶字幕的 MP4 檔。
• Q: 「VTT 字幕」與「純文字檔」該選哪一個？
  A:
  1. VTT 字幕 (.vtt): 如果您要上傳影片到 YouTube，請選用 VTT (或 SRT)。它們包含精確的時間軸，讓 YouTube 能正確顯示字幕。
  2. 純文字檔 (.txt): 如果您只是需要訪談逐字稿、會議記錄，或要將內容整理成文章、部落格，請選用純文字檔。它會去除時間軸，只保留純文字內容，方便閱讀與編輯。
• Q: 如果我的電腦沒有 NVIDIA 顯示卡，或者是用 AMD、內建顯卡，能正常運作嗎？
  A: 完全可以！
  如果您不小心選到了 GPU 運算模式，或者是遇到 CUDA 驅動老舊不相容的情況（例如遇到 CUDA driver version is insufficient 錯誤），系統現在內建了智慧硬體防呆機制，會自動攔截錯誤並幫您平滑切換到 CPU 模式接手處理，保證程式不會閃退，可以順利完成所有的字幕與影片壓制工作！
  (註：目前主要支援 NVIDIA CUDA 原生加速。AMD 或內建顯卡將套用最佳化後的 CPU (int8) 模式執行，雖然速度較慢，但穩定可用。)
• Q: 未來會支援 Qwen-ASR (通義千問) 系列模型嗎？
  A: 雖然 Qwen3-ASR 系列在語音辨識上有優異表現。不過由於我們的核心引擎是基於 Faster-Whisper (CTranslate2) 架構，與 Qwen 的 LLM-ASR 混合架構不同，目前無法直接相容。未來若有穩定的整合方案會優先考慮支援。

⚠️ 注意事項 (Important Notes)

💬 意見回饋