13 KiB
Auto Caption 用户手册
对应版本：v1.1.1
软件简介
Auto Caption 是一个跨平台的字幕显示软件，能够实时获取系统音频输入（录音）或输出（播放声音）的流式数据，并调用音频转文字的模型生成对应音频的字幕。软件提供的默认字幕引擎（使用阿里云 Gummy 模型）支持九种语言（中、英、日、韩、德、法、俄、西、意）的识别与翻译。
目前软件默认字幕引擎在 Windows、 macOS 和 Linux 平台下均拥有完整功能，在 macOS 要获取系统音频输出需要额外配置。
测试过可正常运行的操作系统信息如下，软件不能保证在非下列版本的操作系统上正常运行。
| 操作系统版本 | 处理器架构 | 获取系统音频输入 | 获取系统音频输出 |
|---|---|---|---|
| Windows 11 24H2 | x64 | ✅ | ✅ |
| macOS Sequoia 15.5 | arm64 | ✅需要额外配置 | ✅ |
| Ubuntu 24.04.2 | x64 | ✅ | ✅ |
| Kali Linux 2022.3 | x64 | ✅ | ✅ |
| Kylin Server V10 SP3 | x64 | ✅ | ✅ |
软件缺点
要使用默认的 Gummy 字幕引擎需要获取阿里云的 API KEY。
在 macOS 平台获取音频输出需要额外配置。
软件使用 Electron 构建，因此软件体积不可避免的较大。
Gummy 引擎使用前准备
要使用软件提供的默认字幕引擎（阿里云 Gummy），需要从阿里云百炼平台获取 API KEY，然后将 API KEY 添加到软件设置中或者配置到环境变量中（仅 Windows 平台支持读取环境变量中的 API KEY）。
国际版的阿里云服务并没有提供 Gummy 模型，因此目前非中国用户无法使用默认字幕引擎。
这部分阿里云提供了详细的教程，可参考：
GLM 引擎使用前准备
需要先获取 API KEY，参考：Quick Start。
Vosk 引擎使用前准备
如果要使用 Vosk 本地字幕引擎，首先需要在 Vosk Models 页面下载你需要的模型。然后将下载的模型安装包解压到本地，并将对应的模型文件夹的路径添加到软件的设置中。
使用 SOSV 模型
使用 SOSV 模型的方式和 Vosk 一样，下载地址如下：https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model
macOS 获取系统音频输出
基于 Setup Multi-Output Device 教程编写
字幕引擎无法在 macOS 平台直接获取系统的音频输出，需要安装额外的驱动。目前字幕引擎采用的是 BlackHole。首先打开终端，执行以下命令中的其中一个（建议选择第一个）：
brew install blackhole-2ch
brew install blackhole-16ch
brew install blackhole-64ch
安装完成后打开 音频 MIDI 设置（cmd + space 打开搜索，可以搜索到）。观察设备列表中是否有 BlackHole 设备，如果没有需要重启电脑。
在确定安装好 BlackHole 设备后，在 音频 MIDI 设置 页面，点击左下角的加号，选择“创建多输出设备”。在输出中包含 BlackHole 和你想要的音频输出目标。最后将该多输出设备设置为默认音频输出设备。
现在字幕引擎就能捕获系统的音频输出并生成字幕了。
Linux 获取系统音频输出
首先在控制台执行：
pactl list short sources
如果有以下类似的输出内容则无需额外配置：
220 alsa_output.pci-0000_02_02.0.3.analog-stereo.monitor PipeWire s16le 2ch 48000Hz SUSPENDED
221 alsa_input.pci-0000_02_02.0.3.analog-stereo PipeWire s16le 2ch 48000Hz SUSPENDED
否则，执行以下命令安装 pulseaudio 和 pavucontrol：
# Debian or Ubuntu, etc.
sudo apt install pulseaudio pavucontrol
# CentOS, etc.
sudo yum install pulseaudio pavucontrol
软件使用
修改设置
字幕设置可以分为三类：通用设置、字幕引擎设置、字幕样式设置。需要注意的是，修改通用设置是立即生效的。但是对于其他两类设置，修改后需要点击对应设置模块右上角的“应用”选项，更改才会真正生效。如果点击“取消更改”那么当前修改将不会被保存，而是回退到上次修改的状态。
启动和关闭字幕
在修改完全部配置后，点击界面的“启动字幕引擎”按钮，即可启动字幕。如果需要独立的字幕展示窗口，单击界面的“打开字幕窗口”按钮即可激活独立的字幕展示窗口。如果需要暂停字幕识别，单击界面的“关闭字幕引擎”按钮即可。
调整字幕展示窗口
如下图为字幕展示窗口，该窗口实时展示当前最新字幕。窗口右上角三个按钮的功能分别是：关闭字幕展示窗口、打开字幕控制窗口、启用鼠标穿透。该窗口宽度可以调整，将鼠标移动至窗口的左右边缘，拖动鼠标即可调整宽度。
字幕记录的导出
在字幕控制窗口中可以看到当前收集的所有字幕的记录，点击“导出字幕”按钮，即可将字幕记录导出为 JSON 或 SRT 文件。
字幕引擎
所谓的字幕引擎实际上是一个子程序，它会实时获取系统音频输入（录音）或输出（播放声音）的流式数据，并调用音频转文字的模型生成对应音频的字幕。生成的字幕通过转换为字符串的 JSON 数据，并通过标准输出传递给主程序。主程序读取字幕数据，处理后显示在窗口上。
软件提供了两个默认的字幕引擎，如果你需要其他的字幕引擎，可以通过打开自定义引擎选项来调用其他字幕引擎（其他引擎需要针对该软件进行开发）。其中引擎路径是自定义字幕引擎在你的电脑上的路径，引擎指令是自定义字幕引擎的运行参数，这部分需要按该字幕引擎的规则进行填写。
注意使用自定义字幕引擎时，前面的字幕引擎的设置将全部不起作用，自定义字幕引擎的配置完全通过引擎指令进行配置。
如果你是开发者，想开发自定义字幕引擎，请查看字幕引擎说明文档。
单独使用字幕引擎
运行参数说明
以下内容默认用户对使用终端运行程序有一定了解。
字幕引擎可用使用的完整的运行参数如下：
而在单独使用时其中某些参数并不需要使用，或者不适合进行修改。
下面的运行参数说明仅包含必要的参数。
-e , --caption_engine
需要选择的字幕引擎模型，目前有四个可用，分别为：gummy, glm, vosk, sosv。
该项的默认值为 gummy。
该项适用于所有模型。
-a, --audio_type
需要识别的音频类型，其中 0 表示系统音频输出，1 表示麦克风音频输入。
该项的默认值为 0。
该项适用于所有模型。
-d, --display_caption
是否在控制台显示字幕，0 表示不显示，1 表示显示。
该项默认值为 0，只使用字幕引擎的话建议选 1。
该项适用于所有模型。
-t, --target_language
其中 Vosk 和 SOSV 模型分句效果较差，会导致翻译内容难以理解，不太建议这两个模型使用翻译。
需要翻译成的目标语言，所有模型都支持的翻译语言如下：
none不进行翻译zh简体中文en英语ja日语ko韩语
除此之外 vosk 和 sosv 模型还支持如下翻译：
de德语fr法语ru俄语es西班牙语it意大利语
该项的默认值为 none。
该项适用于所有模型。
-s, --source_language
需要识别的语言的源语言，默认值为 auto，表示不指定源语言。
但是指定源语言能在一定程度上提高识别准确率，可用使用上面的语言代码指定源语言。
该项适用于 Gummy、GLM 和 SOSV 模型。
其中 Gummy 模型可用使用上述全部的语言，在加上粤语（yue）。
GLM 模型支持指定的语言有：英语、中文、日语、韩语。
SOSV 模型支持指定的语言有：英语、中文、日语、韩语、粤语。
-k, --api_key
指定 Gummy 模型需要使用的阿里云 API KEY。
该项默认值为空。
该项仅适用于 Gummy 模型。
-gkey, --glm_api_key
指定 glm 模型需要使用的 API KEY，默认为空。
-gmodel, --glm_model
指定 glm 模型需要使用的模型名称，默认为 glm-asr-2512。
-gurl, --glm_url
指定 glm 模型需要使用的 API URL，默认值为：https://open.bigmodel.cn/api/paas/v4/audio/transcriptions。
-tm, --translation_model
指定 Vosk 和 SOSV 模型的翻译方式，默认为 ollama。
该项支持的值有：
ollama使用本地 Ollama 模型进行翻译，需要用户安装 Ollama 软件和对应的模型google使用 Google 翻译 API 进行翻译，无需额外配置，但是需要有能访问 Google 的网络
该项仅适用于 Vosk 和 SOSV 模型。
-omn, --ollama_name
指定要使用的翻译模型名称，可以是 Ollama 本地模型，也可以是 OpenAI API 兼容的云端模型。若未填写 Base URL 字段，则默认调用本地 Ollama 服务，否则会通过 Python OpenAI 库调用该地址指向的 API 服务。
如果使用 Ollama 模型，建议使用参数量小于 1B 的模型，比如： qwen2.5:0.5b, qwen3:0.6b。需要在 Ollama 中下载了对应的模型才能正常使用。
默认值为空，适用于除了 Gummy 外的其他模型。
-ourl, --ollama_url
调用 OpenAI API 的基础请求地址，如果不填写则调用本地默认端口的 Ollama 模型。
默认值为空，适用于除了 Gummy 外的其他模型。
-okey, --ollama_api_key
指定调用 OpenAI 兼容模型的 API KEY。
默认值为空，适用于除了 Gummy 外的其他模型。
-vosk, --vosk_model
指定需要调用的 Vosk 模型的本地文件夹的路径。该项默认值为空。
该项仅适用于 Vosk 模型。
-sosv, --sosv_model
指定需要调用的 SOSV 模型的本地文件夹的路径。该项默认值为空。
该项仅适用于 SOSV 模型。
使用源代码运行字幕引擎
以下内容默认使用该方式的用户对 Python 环境配置和使用有所了解。
首先下载项目源代码到本地，其中字幕引擎源代码在项目的 engine 目录下。然后配置 Python 环境，其中项目依赖的 Python 包在 engine 目录下 requirements.txt 文件中。
配置好后进入 engine 目录，执行命令进行运行字幕引擎。
比如要使用 Gummy 模型，指定音频类型为系统音频输出，源语言为英语，翻译语言为中文，执行的命令如下：
注意：为了更直观，下面的命令写在了多行，如果执行失败，尝试去掉反斜杠，并改换单行命令执行。
python main.py \
-e gummy \
-k sk-******************************** \
-a 0 \
-d 1 \
-s en \
-t zh
指定 Vosk 模型，指定音频类型为系统音频输出，翻译语言为英语，使用 Ollama qwen3:0.6b 模型进行翻译：
python main.py \
-e vosk \
-vosk D:\Projects\auto-caption\engine\models\vosk-model-small-cn-0.22 \
-a 0 \
-d 1 \
-t en \
指定 SOSV 模型，指定音频类型为麦克风，自动选择源语言，不翻译，执行的命令如下：
python main.py \
-e sosv \
-sosv D:\\Projects\\auto-caption\\engine\\models\\sosv-int8 \
-a 1 \
-d 1 \
-s auto \
-t none
使用 Gummy 模型的运行效果如下：
运行字幕引擎可执行文件
首先在 GitHub Release 中下载对应平台的可执行文件（目前仅提供 Windows 和 Linux 平台的字幕引擎可执行文件）。
然后再字幕引擎可执行文件所在目录打开终端，执行命令进行运行字幕引擎。
只需要将上述指令中的 python main.py 替换为可执行文件名称即可（比如：engine-win.exe）。