Автоматические субтитры делают так: берут чистую аудиодорожку, пропускают через систему распознавания речи, получают черновой файл .srt или .vtt, затем вручную правят текст, разбиение и тайминг. Это хорошо работает для лекций, интервью, подкастов и роликов с одним основным спикером. Метод плохо подходит для клипов с плотной музыкой, одновременной речью нескольких людей, тяжелыми акцентами, полевых записей с шумом и материалов, где ошибка в одном слове недопустима: юридических, медицинских и обязательных по регламенту субтитров.

Короткий ответ

Если нужен управляемый результат, самый надежный маршрут такой: сначала подготовить звук, потом распознать речь локально или на платформе, затем вычитать и исправить субтитры в отдельном редакторе. Автоматическая генерация экономит время на наборе текста, но не заменяет редактуру. Главная практическая мысль: система распознавания создает черновик, а не финальную версию.

Локальный путь подходит, если важны приватность, работа без загрузки файла в облако и контроль над форматом результата.
Платформенный путь удобен, если видео все равно публикуется на сервисе с автосубтитрами и вам не нужен тонкий контроль на этапе распознавания.
Отдельная ручная правка нужна почти всегда: автоматике трудно расставлять смысловые паузы, восстанавливать термины, имена, сокращения и корректно делить длинные реплики.

Не стоит полагаться на авто-субтитры без проверки, если зритель должен понимать материал без звука, если ролик обучающий, если в нем есть цифры, названия, команды, цитаты или если субтитры используются как источник для перевода.

Что понадобится

Выбор инструмента определяют четыре критерия: где будет обрабатываться файл, нужен ли экспорт в SRT/VTT, насколько важна ручная правка и есть ли ограничения по конфиденциальности.

Сценарий	Инструмент	Когда подходит	Ограничения
Локальная обработка без загрузки в облако	FFmpeg + OpenAI Whisper	Конфиденциальные файлы, контроль над исходниками и форматами	Нужна установка, время на обработку и ручная правка
Быстрая публикация на платформе	YouTube Studio	Видео все равно уходит на YouTube и нужен базовый автогенерируемый трек	Меньше контроля, зависит от качества исходного звука и политики платформы
Точная доводка текста и тайминга	Aegisub	Нужно вычитать, разбить реплики, подправить длительности и переносы	Сам по себе не распознает речь, нужен черновой файл субтитров

Видео или аудио без лишней повторной компрессии. Чем ближе исходник к оригиналу, тем лучше распознавание.
Наушники. Править субтитры по встроенным динамикам ноутбука неудобно, особенно на тихих согласных и цифрах.
Понимание форматов: SRT почти везде поддерживается, VTT удобен для веб-плееров.
Время на вычитку. Даже удачную автоматическую расшифровку обычно приходится пройти целиком.

Пошаговый план

1. Определите, какой результат вам нужен

Сначала решите, где субтитры будут жить дальше.

Отдельный файл нужен для платформ, плееров и повторного использования. Обычно это SRT или VTT.
Вшитые субтитры подходят только если зритель не должен их отключать и вы уверены, что текст окончательный.

Если есть выбор, сначала делайте отдельный файл. Вшивать текст в картинку имеет смысл только после полной проверки: исправить такую версию сложнее.

2. Подготовьте звук до распознавания

Качество субтитров начинается не с модели, а со звука. Если распознавать монтажный экспорт, где речь утоплена в музыке, автоматика ошибется даже на простых словах.

По возможности работайте с исходной речевой дорожкой, а не с финальным миксом.
Если есть отдельные дорожки, временно уберите музыку и шумовые подложки.
Сведите аудио к одному каналу, если стерео не несет полезной информации для речи.
Проверьте, что нет клиппинга, провалов уровня и длинных пустых участков в начале.

Универсальная команда для извлечения моно-аудио из видео:

ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 audio.wav

Она создает отдельный WAV-файл без видео. Такого файла обычно достаточно для автоматического распознавания речи.

3. Запустите автоматическое распознавание

Если вы хотите работать локально, используйте распознавание на своей машине. Один из простых вариантов — Whisper.

whisper audio.wav --model medium --language Russian --task transcribe --output_format all

После выполнения вы получите текстовые и субтитровые файлы, обычно включая .srt и .vtt. Если компьютер слабый, можно взять более компактную модель, но будьте готовы к большей доле ручных исправлений.

Если локальная установка не нужна, загрузите видео на платформу с автосубтитрами и дождитесь автоматической обработки. Этот путь удобен, когда площадка публикации уже выбрана и вопрос приватности не критичен. Но и в этом случае рассматривайте результат как черновой.

Важно: в базовом сценарии автоматическое распознавание не гарантирует корректное разделение говорящих. Если люди перебивают друг друга или говорят одновременно, маркировку спикеров обычно приходится добавлять вручную.

4. Исправьте текст и разбиение на реплики

Черновой файл почти всегда нуждается в редактуре. Основная задача здесь — не «сделать красиво», а добиться того, чтобы субтитры было легко читать в темпе видео.

Верните заглавные буквы, знаки препинания и вопросительные интонации там, где автоматика их потеряла.
Проверьте имена, бренды, термины, адреса, цифры, даты и сокращения. Именно они ломаются чаще обычной разговорной лексики.
Разбивайте длинные фразы на смысловые куски, а не на произвольные отрезки одинаковой длины.
Старайтесь не оставлять больше двух строк на одном экране.
Не переносите предлоги, частицы и короткие служебные слова так, чтобы они висели отдельно от связанной части фразы.
Уберите словесный мусор только если это не меняет смысл и соответствует редакционной задаче.

Если ролик деловой или учебный, полезно заранее составить маленький словарь: фамилии, названия продуктов, профессиональные термины. Это ускоряет вычитку всей серии материалов.

5. Исправьте тайминг

Даже хороший текст можно испортить плохими временными метками. Откройте SRT или VTT в редакторе субтитров и посмотрите ролик вместе с таймлайном.

Субтитр должен появляться вместе с началом реплики, а не спустя заметную паузу.
Субтитр не должен висеть на экране после того, как спикер закончил говорить и в кадре уже началась другая мысль.
Слишком короткие вспышки объединяйте, слишком длинные реплики делите.
Если меняется спикер, не тяните старый субтитр через эту границу без причины.
Если в видео есть титры, интерфейс или важная графика внизу, проверьте, не конфликтуют ли с ними субтитры.

На этом этапе Aegisub удобен именно как редактор: в нем проще поправить точки входа и выхода, чем в большинстве видеоредакторов.

6. Экспортируйте и публикуйте

После вычитки сохраните итог в том формате, который нужен целевой площадке.

SRT — практический стандарт для большинства платформ, CMS и видеоредакторов.
VTT — предпочтителен для веб-плееров и HTML-видео.
Burn-in — только финальный шаг, если нужен неизменяемый текст в самой картинке.

Храните у себя не только финальный экспорт, но и редактируемую версию. Иначе любая правка фамилии, даты или одного тайминга снова превратится в ручную работу с нуля.

Типичные ошибки

Распознавать финальный микс с музыкой поверх речи. Если можно достать чистую речь, делайте это. Модель лучше распознает простой голос, чем голос, спрятанный под подложкой.
Не указывать язык. При смешанном контенте автомат может неверно интерпретировать русскую речь как близкие по звучанию слова другого языка или ломать пунктуацию.
Сразу вшивать субтитры в видео. Пока текст не вычитан, работайте с отдельным файлом. Иначе любая правка потребует повторного экспорта ролика.
Оставлять автоматическое разбиение как есть. Алгоритм может делить фразы по длине или паузам, но не по смыслу. Зритель это чувствует мгновенно.
Игнорировать имена и числа. Для восприятия одна неверная цифра важнее десяти мелких пунктуационных ошибок.
Не проверять целевой плеер. Один и тот же файл может по-разному отображаться в редакторе, браузере и на платформе публикации.
Использовать авто-субтитры как готовую стенограмму. Для протокола, договора, расшифровки интервью или перевода нужна отдельная вычитка, а иногда и полная ручная транскрибация.

Как проверить результат

Просмотрите ролик целиком в реальном темпе. Не останавливайте видео на каждой мелочи. Сначала соберите общую картину: где сбивается смысл, где текст запаздывает, где строки слишком плотные.
Потом просмотрите без звука. Если смысл читается тяжело, значит проблема в разбиении и длительности показа, а не только в точности распознавания.
Точечно сверьте сложные места. Отдельно проверьте имена людей, географию, цифры, модели устройств, команды, сокращения и цитаты.
Проверьте переключение говорящих. В интервью и дискуссиях убедитесь, что субтитр не доезжает до начала следующей реплики другого человека.
Откройте файл на целевой платформе. Особенно важно проверить кодировку, переносы строк и то, как субтитры смотрятся на мобильном экране.
Сохраните контрольный исходник. Оставьте рядом с финальным файлом исходное видео, аудио и последнюю редактируемую версию субтитров.

Хороший результат выглядит просто: зритель успевает читать без усилия, не замечает запаздываний и не спотыкается о явные ошибки в терминах и цифрах.

FAQ

Можно ли сделать автоматические субтитры вообще без установки программ?

Да. Если платформа публикации поддерживает автосубтитры, можно загрузить видео и потом отредактировать сгенерированный трек. Минусы — меньший контроль и возможные ограничения по приватности.

Что выбрать: SRT или VTT?

SRT обычно проще и поддерживается шире. VTT лучше подходит для веб-сценариев и HTML-плееров. Если не уверены, экспортируйте оба формата и храните их вместе.

Нужна ли ручная правка, если распознавание получилось почти без ошибок?

Да. Даже при хорошем тексте остаются вопросы к таймингу, переносам, длинным репликам и написанию имен. Минимальная вычитка нужна почти всегда.

Что делать с конфиденциальными записями?

Используйте локальную обработку и не загружайте исходники на внешние сервисы без отдельного разрешения. Для таких задач удобнее локальный маршрут с FFmpeg и Whisper.

Почему автоматика плохо распознает профессиональные термины?

Потому что редкие слова, аббревиатуры, фамилии и внутренний жаргон хуже представлены в общих моделях. Решение практическое: делать словарь проекта и вычитывать такие места вручную.

Можно ли автоматически перевести субтитры на другой язык?

Можно, но это уже отдельная задача. Сначала добейтесь точных субтитров на языке оригинала, а только потом переводите. Автоматический перевод поверх сырой расшифровки обычно умножает ошибки.

Когда автоматический способ лучше не использовать?

Когда запись очень шумная, в кадре несколько людей говорят одновременно, речь сильно искажена, а также когда требуется юридически точная или регламентная стенограмма. В таких случаях автоматическое распознавание можно использовать только как черновую подсказку для человека.

Как сделать субтитры автоматически