AI 字幕

Beam 会从启用的音频片段在本地生成语音字幕。它会下载选定的 Whisper 模型，在设备上进行转录，并在时间线上创建可编辑的字幕片段。

字幕面板

Screenshot pendingAdd the image at:website/docs/public/screenshots/editor/captions-panel.webp

生成字幕前，选择已启用的音频来源和本地 Whisper 模型。

音频来源

来源	出现条件	选择规则
系统音频	存在一个启用且角色为 System 的片段。	标识为 System Audio。
麦克风	存在一个启用且角色为 Microphone 的片段。	标识为 Microphone。
导入的音频	存在一个启用的导入音频片段。	使用片段名称。
重复的媒体 URL	两个启用的片段引用相同的音频 URL。	只提供第一个来源。
没有可用来源	没有启用的音频片段拥有可读取的资源 URL。	无法生成字幕。

Whisper 模型

模型	语言	性能说明
Tiny	多语言	默认模型。
Tiny .en	英语	仅支持英语的模型。
Base	多语言	没有额外警告。
Base .en	英语	仅支持英语的模型。
Small	多语言	没有 WebGPU 时可能较慢。
Small .en	英语	没有 WebGPU 时可能较慢。
Medium	多语言	下载量较大；建议使用 WebGPU。
Medium .en	英语	下载量较大；建议使用 WebGPU。
Large v3	多语言	没有 WebGPU 时下载量非常大且速度较慢。

模型下载和删除

状态或操作	行为
缺失	可以为选定的模型下载模型。
下载中	Beam 会通过进度条报告已下载字节数和总字节数。
就绪	勾选标记会标识已安装的模型，并且“删除模型”变为可用。
删除模型	在下载、删除或转录期间不可用。
下载错误	错误会显示出来，并且可以复制用于诊断。

生成和重新生成

1. 选择一个已启用的音频来源。
2. 如果 Whisper 模型尚未就绪，请选择并下载一个模型。
3. 选择“生成字幕”。Beam 会解码来源，将其转换为单声道 16 kHz 音频，并将其限制在时间线时长内。
4. 处理继续进行时，部分转录结果会更新编排。
5. 运行完成后，会选择第一条生成的字幕以便编辑。

行为	规则
句子分组	在标点处或达到 12 个词后结束字幕短语。
生成片段的最短时长	40 ms。
重新生成	替换已有的 AI 生成字幕，同时保留手动字幕。
取消	停止模型加载或转录。
关闭面板	取消当前正在进行的转录。
诊断	报告耗时，并在处理后提供可复制的转录报告。

本地转录

Whisper 在设备上运行。生成字幕不需要上传到云端或使用 API 密钥。

编辑生成的字幕

生成的字幕是标记为 AI 生成的普通可编辑字幕片段。生成后，可以通过片段面板和时间线调整其文本、时序和视觉样式。