零成本！我用 PaddleOCR API 做了一款视频字幕提取神器

前言

前几天在体验视频解析文件AI应用的时候，发现了一个非常方便的功能：自动提取视频内容。核心原理是基于计算机视觉、图像处理和机器学习技术，通过对视频帧序列进行解码、分析和特征提取，将非结构化的视频数据转化为可识别、可检索的结构化信息。

核心处理流程中肯定会用到OCR技术，如果能把多模态能力和 OCR 技术结合起来并把它整合到视频字幕提取工具里，是不是就能实现零成本提取视频字幕了呢？

背景

早在10月份的时候，百度飞桨团队就开源过轻量化多模态模型PaddleOCR-VL-0.9B，最近这几天已开放API接口，有了技术支持，我决定动手试试。看是否这个应用场景能落地。

经过一番折腾，我终于搞定了一套全流程可视化的工具。它不仅能自动提取字幕，还能保留原始的 JSON 数据和时间戳信息，用起来特别顺手。今天就和大家分享一下我的搭建过程和测试效果，希望能帮到有同样需求的朋友。

为什么要做这个工具？

可能有人会问：“视频播放器不是自带字幕吗？”

确实，但很多时候咱们需要的不仅仅是看字幕，而是要用字幕。比如：

• • 剪辑视频：想把字幕和画面分离，方便后期处理。
• • 内容检索：想快速找到视频里某句话是在哪一秒说的。
• • 自动翻译：需要提取出准确的文本，然后扔给翻译 API。
• • 数据分析：想知道字幕出现的时间和位置，做可视化展示。
• • 无字幕视频：有些生肉视频，得自己生成字幕才能看懂。

以前我用过不少 OCR 模型。在文字定位和识别这块，PaddleOCR 里的 PP-OCR 系列确实是断崖式领先。但它有个小毛病——没有现成的 API，得自己部署。部署的话至少得有一台闲置的电脑或者买一台服务器吧。

好消息是，最近我发现 PaddleOCR 官网开放了 API！这意味着我可以零成本使用顶级的 OCR 能力，可以不用(白薅)花钱。

一、API 申请与调用

申请 PaddleOCR API 的过程非常简单，几分钟就能搞定：

1. 1. 打开 PaddleOCR 官网（www.paddleocr.com），注册并登录。
2. 2. 点击顶部的“API”，进入示例代码界面。

1. 3. 因为咱们的目标是提取字幕，只需要获取每一帧的文本和位置，所以选择 PP-OCRv5 就够了。如果你要解析文档，也可以试试 PaddleOCR-VL 或者 PP-StructureV3。

1. 4. 在示例代码里，你会看到 API_URL 和 TOKEN。把这两个参数复制下来，配合官方代码，就能集成到自己的项目里了。

1. 5. 建议先跑一下官方示例，测试一下效果。你可以截一张视频画面传上去，看看返回的可视化结果。从测试来看，PP-OCRv5 能准确识别出图中的所有文字，并给出每一行的坐标。这样我们后面就可以根据坐标，轻松过滤掉非字幕区域的文字。

1. 6. 目前官方给每个模型提供了 3000 页的免费额度。对于个人开发者来说，这完全够用了！如果你量大，也可以申请更多额度（🔗申请链接：https://paddle.wjx.cn/vm/mePnNLR.aspx?udsid=716530）。整个体验非常丝滑，感觉不是在申请，而是直接拿来就用。

二、工具设计与搭建

有了 API，接下来就是实现工具。我的思路很简单：用AI Studio直接build出一个简单的应用。

核心流程如下：

1. 1. 视频分帧

• • 按设定的时间间隔（比如每秒 1 帧），自动从视频里抽取关键帧。

• 2. OCR 识别
• • 把每一帧图片发给 PaddleOCR API，获取识别到的文本和坐标。
• 3. 结果聚合与优化
• • 位置过滤：根据坐标剔除掉右上角水印、台标等非字幕区域的文字。
• • 时间排序：按帧的时间戳排序，保证字幕顺序不错乱。
• • 去重合并：因为字幕会持续几秒，多帧可能会识别到同一句话。通过计算字符串相似度和时间窗口，把相邻的重复文本合并。
• 4. 结果保存
• • 把 API 返回的原始 JSON、坐标等信息都保存在本地，方便后续查阅。
• 5. 导出格式
• • 支持一键导出 SRT 字幕文件，直接拖进剪辑软件就能用。

整个过程基本实现了“喂视频，出字幕”的自动化。

界面效果



功能很简单直接：

• • 选择视频：支持本地文件，自定义抽帧间隔。
• • 开始提取：一键运行，进度条实时显示状态。
• • 结果展示：表格形式展示识别结果，支持双击复制。
• • 原始数据保存：方便二次开发。

三、效果实测

我找了一段 B 站介绍提示词的视频来测试。



操作步骤：

1. 1. 选择视频文件，设置每秒抽 1 帧。
2. 2. 点击“开始提取”，程序自动跑起来。
3. 3. 识别完成后，结果自动合并、排序，显示在表格里。
4. 4. 点击导出 SRT。

看看视频中的文案和提取后的结果：



(字幕提取结果)



(提取到的字幕结果)



保存下来的原始 JSON 数据和 SRT 文件数据，可以直接用。

效果相当不错！工具稳定识别出了绝大部分字幕，自动合并和去重也做得很好，基本没有冗余内容。导出的 SRT 文件和原视频语音对齐度很高，直接就能用。

四、更多玩法

除了提取字幕，这个工具其实还有很多潜力：

• • 视频摘要：提取所有字幕，扔给大模型生成总结。
• • 智能搜索：通过搜索字幕关键词，快速定位视频内容。
• • 多语种同步：分离不同语言的字幕，对接翻译 API 实现自动配音。
• • 敏感词过滤：审核视频内容，自动标记风险词汇。
• • 特效生成：根据字幕坐标，自动生成弹幕遮罩或高亮特效。

以前做这些功能需要大量人工开发成本和昂贵的接口，现在有了 PaddleOCR API，个人开发者也能轻松搞定。

总结

这次实践让我感触最深的是，在大模型时代，开发工具真的变得超级简单。PaddleOCR 提供了精准的识别能力，大模型帮我写了所有代码，我只需要调试通过。

这款工具的应用场景完全可以落地，因为它确实解决了我在视频处理中的痛点，也让我看到了更多可能性。