企业官网建设流程全解析

想给视频加字幕却不想把屏幕录屏上传到云端？Capptivo 是一款免费开源的跨平台录屏工具（Mac / Windows / Linux），内置基于whisper.cpp的本地字幕生成能力：语音识别全程在你的电脑上完成，录屏内容不经过任何服务器。本文是一篇面向新手的完整教程，带你从安装 whisper.cpp、下载语音模型，到生成、美化并导出带字幕的视频，一次讲清。

为什么用 Capptivo 做本地字幕

大多数在线字幕服务都需要把视频或音频上传到服务器，对于产品演示、内部培训这类敏感内容并不合适。Capptivo 的思路是「本地优先」：

• 📦隐私安全：语音识别由 whisper.cpp 在本地执行，录屏不离开你的机器
• 💸免费开源：MIT 协议，无需订阅，不依赖任何云服务账号
• 🌐离线可用：模型一次性下载后，之后完全断网也能转录
• 🎬一体化工作流：录屏、字幕、缩放、导出在一个编辑器里完成，字幕直接烧录进 MP4 / WebM / GIF

字幕能力完全运行在设备端（on-device），这一点在源码注释中也被明确强调，核心管线位于 src-tauri/src/captions/generate.rs。

准备工作：安装 Capptivo 与 whisper.cpp

本地字幕由两部分组成：Capptivo 本体+ 系统里的whisper.cpp可执行程序（whisper-cli）。

第 1 步：安装 Capptivo

到项目的Releases页面下载对应平台的安装包：

macOS 版本目前未签名，首次启动需右键 → 打开，或在「系统设置 → 隐私与安全性」中允许运行，并授予屏幕录制权限。

第 2 步：安装 whisper.cpp

Capptivo 会在固定位置自动寻找whisper-cli可执行文件，找到即可用，找不到会提示你安装：

• macOS：brew install whisper-cpp
• Windows：winget install whisper-cpp，或从 whisper.cpp 的 releases 下载whisper-cli.exe并加入 PATH
• Linux：使用发行版软件包或 releases 中的二进制，确保whisper-cli在 PATH 中

📌 如果程序装在非标准位置，可以设置环境变量WHISPER_CPP_PATH指向whisper-cli，它会优先于其他查找方式生效。

自动查找逻辑与错误提示见 resolve_whisper_executable()，它会依次检查WHISPER_CPP_PATH、各平台常见安装目录（如/opt/homebrew/bin、/usr/bin、~/.local/bin等），最后再遍历 PATH。

💡 想从源码运行？克隆仓库后即可开发：git clone https://gitcode.com/gh_mirrors/ca/capptivo

一键下载 Whisper 语音模型（一次性）

打开编辑器，进入右侧的Captions（字幕）面板，你会看到「语音模型」区域。点击下载模型按钮即可：

• 默认下载的是ggml-small.bin（small 模型，约 460 MB），一次性下载
• 文件带进度条，并做SHA-256 完整性校验，损坏或不完整的文件绝不会被当成可用模型
• 下载完成后按钮变为「模型已就绪」，也可随时「移除模型」释放空间

模型会保存在应用数据目录下的whisper文件夹中，下载与校验逻辑见 src-tauri/src/captions/model.rs。

三步生成视频字幕

模型就绪后，生成字幕非常简单：

1. 选择语音语言：默认「自动检测」，也可手动指定英语、法语、德语、中文、日语、韩语、俄语、西班牙语、葡萄牙语、意大利语、阿拉伯语
2. 点击「生成字幕」：状态会显示「正在转录…」，全程在后台运行，不阻塞编辑器
3. 等待完成：字幕会以时间轴提示（cue）列表出现在面板中

幕后发生了什么

点击生成后，Capptivo 在 generate() 里串起三步管线：

1. 提取音频：用 FFmpeg 从录屏screen.mp4抽出 16 kHz 单声道 WAV
2. 本地转录：调用whisper-cli输出 SRT 字幕，并尝试输出带逐词时间戳的 JSON（-ojf）
3. 静音检测：用 FFmpeg 的silencedetect找出静音区间，用于智能断句分段

整个过程不上传任何数据，临时文件用完即删。

调整字幕样式与逐词高亮

生成后，面板会展开丰富的样式控制（见 CaptionStyleControls.tsx）：

• 🔘显示字幕开关：随时开关视频上的字幕
• ✨跟随发声词（Follow spoken word）：根据 Whisper 的逐词时间戳，高亮当前正在说的那个词，效果接近卡拉 OK。该功能依赖 JSON 词级时间戳（-ojf），若只有 SRT 则会退化为整句显示
• 🎨颜色与圆角：句子背景色、高亮色、文字颜色、高亮文字色、句子/单词圆角
• 🔠字体与字号：可选字体、字号（12–120 px）
• 📏底部偏移：调整字幕距离画面底部的距离
• ⏱️词同步偏移：若高亮感觉偏早/偏晚，可用毫秒级滑块微调

此外，你还能通过 CaptionEditSheet 直接编辑字幕文本、修正识别错误，并点击跳转到对应时间点核对。

导出带字幕的视频

预览中看到的字幕效果，在导出时会被逐帧烧录进画面：字幕由 canvas 合成器绘制（渲染逻辑见 src/captions/drawCaptions.ts），随 MP4 / WebM / GIF 一起输出，无需二次压制。

导出时支持分辨率预设、质量、帧率（24 / 30 / 60）等设置，字幕与缩放、人脸摄像头、背景等元素一并合成到最终视频。

常见问题 FAQ

Q1：提示「No whisper.cpp binary found」怎么办？说明没找到whisper-cli。按上文的平台命令安装 whisper.cpp，或用WHISPER_CPP_PATH手动指向可执行文件。

Q2：提示「Whisper model not downloaded」？说明语音模型还没下载，去 Captions 面板点击「下载模型」，等待校验通过即可。

Q3：提示「此录制中未检测到语音」？字幕需要视频里有音轨。请确保录制时开启了麦克风或系统音频捕获。

Q4：识别语言不准？把语言从「自动检测」改为手动指定对应语言，能显著提升准确率。

Q5：为什么「跟随发声词」是灰色的？该功能需要 whisper-cli 输出词级 JSON（-ojf）。较新的 whisper.cpp 均支持；若你的版本不支持，程序会自动退回 SRT 模式，仍显示完整句子。

小结

用Capptivo + whisper.cpp做本地字幕生成，核心只有四步：安装 whisper.cpp → 下载 small 模型 → 选择语言并生成 → 调样式并导出。全程离线、隐私安全、免费开源，特别适合需要频繁制作产品演示与教程视频的团队和个人。

主要源码入口：

• 转录管线：src-tauri/src/captions/generate.rs
• 模型下载与校验：src-tauri/src/captions/model.rs
• 字幕面板：src/windows/editor/components/CaptionsPanel.tsx
• 字幕渲染：src/captions/drawCaptions.ts