stable-ts

给 OpenAI 的 Whisper 语音识别加了一层，让时间戳更准。最常用的一招叫「对齐」：稿子已经写好、配音也录好了，把两样一起交给它，它算出每个字、每句话在第几秒念到，直接导出 SRT 字幕文件。没有稿子时，它也能像普通语音识别那样把音频转成带时间的文字，还能在一段音频里找某个词出现在哪几秒。

适合谁

• 先写稿再配音、想让字幕和口播一字一字对上的人。
• 手上有现成逐字稿，想快速出字幕，不想一句一句手拖时间轴的人。

怎么开始

1. 它是 Python（一种编程语言，很多 AI 工具靠它跑）的工具包，还要用到 FFmpeg（处理音视频的工具）和 PyTorch（跑 AI 模型的基础库）。最省事的办法是把仓库链接发给 Claude Code，说「帮我装上 stable-ts」。
2. 自己装的话，在命令行（电脑上那个黑底白字、靠打字下命令的窗口）里运行 pip install -U stable-ts。
3. 对齐：把稿子存成 text.txt，和配音放在一起。说明里的命令是 stable-ts audio.mp3 --align text.txt --language en，中文稿把 en 换成 zh。也可以直接对 AI 说「用 stable-ts 把这份稿子和这段配音对齐，导出 SRT 字幕」。
4. 把导出的字幕文件拖进剪辑软件，就能看到每句的起止时间。

要注意

• 作者已经把仓库归档，说明里写着开发无限期暂停。现在还能装、能用，出了问题不会再有人修。
• MIT 许可，免费，可以商用。
• 识别模型从 tiny 到 large-v3 分好几档，越大越准，也越吃内存。