一个工具，十几分钟搞定：录屏字幕生成+错误字幕修正+多语言版本生成 | 开发者案例

录屏字幕配错，古法怎么改？

你录了个教程视频，嘴里说的是 html2pptx，字幕生成的却是 html to ppt。读音一模一样，字幕却生成错了，看视频的人照着字幕去搜还总是搜不到准确的信息。要是专有名词多，错误量大，导出的视频改起来比你重新录一遍还费劲。最最关键的是，重新录一遍，生成的字幕也还是错的。

在视频编辑器里，打开自动识别出来的字幕，然后：

从头到尾逐条播放，耳朵听音频，眼睛看字幕，判断对不对。一点儿标记没有，全靠人眼一帧帧过。

改一处只要 3 秒，敲个正确的写法而已。难的是 快速找到错误的那一处！

这种错特别难修，主要有3个原因：

• 1、ASR（自动语音识别）只听声音，不会辨别
  例如 html to ppt 这三个词念起来完全通顺，它不知道你说的是一个软件名，还是三个普通英文单词，所以按照它错误的理解生成错误的字幕。
• 2、人不容易发现
  错的版本读起来甚至更顺，有时候扫一眼字幕根本看不出问题。
• 3、错误量大修改耗时耗力
  一条二十分钟的教程字幕要是有十几处错误，逐句对着视频核对，比重新录一遍还累。

阿里云百炼开发者 oil-oil 的解法

oil-oil 发现，录屏 / 教程 / 讲解类视频有个别的视频没有的优势——嘴里说的词，往往就展示在屏幕画面里（PPT、代码、文件名上）。无论什么 ASR（自动语音识别），专有名词可能永远会被听错（Claude→cloud、Codex→class q、html2pptx→html to ppt）。qwen-subtitle 的核心做法是：让一个支持视频输入的视觉理解模型按照 ASR 时间范围去读取屏幕上那一帧真实画面来纠正错误字幕——这是纯语音工具做不到的。

1、识别声音，生成字幕

这一步用 fun-asr（语音识别） 把声音转成文字。

2、看屏幕纠错词

用 qwen3.8-max 大模型通读全篇，一次读取整段视频和带时间范围的 ASR（自动语音识别），最后返回结构化的“可疑错词”改动清单和每处带视频原画面的证据。

圈词规则：

• （1）不许猜
  只认画面上能逐字读到的文字。靠图标、logo、配色、氛围或常识推断出来的，一律判"没找到"。
• （2）最小替换
  只换听错的那几个字。画面上是一整条路径，但听错的只是其中那个工具名，那就只替换工具名，别把旁边的文件夹名、按钮名一起带进来。
• （3）规范大小写
  专有名词用规范写法，GitHub、Node.js 这种，哪怕画面上出现的是小写的文件夹名。
• （4）发音要对得上
  play right 和 Playwright 对得上，at 和 @ 对得上。画面找到的词跟原文读音明显对不上，那就不是同一个词，判别结果就是"没找到"。

另外还有三条兜底：不补全不扩写、原文其实没错就让结果等于原文、任何不确定一律判"没找到"。

取证也不是只看一帧。先在字幕的时间戳那一帧找，找不到试句首、句尾。三帧都拿不到证据，就保留原文并打上 needs_review（待人工确认），绝不回头用第 2 步的猜测。

因为工具坚持零误改优先：字幕里一处错误的"纠正"比不纠正更糟，它会让用户误以为字幕可信，实则原字幕被污染了。

3、断句 + 去水词

去水词交给轻量的 qwen-plus 模型，只许删"呃、啊、嗯"这类口头禅和明显的口吃重复，术语、数字、英文、代码一律不碰，返回后程序再核一遍、只接受纯删除，模型哪怕顺手改了一个字，这一条就整条作废、保留原文。

4、生成字幕+配音

字幕
先把纠错后的字幕碎段按句号合并成整句。然后翻译分两路——只出字幕的语言交给翻译模型 qwen-mt-turbo；要配音的语言交给 qwen-plus 模型，按"这段镜头有几秒就限几个词"压缩译文，每种语言产出一份带时间轴的字幕。

配音
从原视频里取 18 秒人声，上传给 cosyvoice-v2 模型复刻出一个专属音色；再用这个音色把每句译文念出来；哪句念超了就用 atempo 加快语速塞回原来的时间段（最多 1.5 倍，只加快不拉慢、音调不变）；最后按每句的开始时间把 22 段音频铺回时间轴，混成一条完整音轨。

注：atempo 是 ffmpeg 自带的一个音频滤镜，作用是：改变一段音频的时长，同时保持音调不变

5步，15分钟，完成录屏字幕生成+纠错+多语言翻译

第 0 步：开始之前

环境：Python、ffmpeg 和已认证的百炼 CLI；预览另需 Flask

第 1 步：安装 Skill

将项目的 SKILL.md 文件发给你的 Agent，让 Agent 安装

https://github.com/oil-oil/qwen_subtitle/blob/main/SKILL.md

自己动手的话，克隆仓库：

git clone https://github.com/oil-oil/qwen_subtitle
cd qwen_subtitle
ls

第 2 步：一条命令跑完整条录屏字幕生成+纠错

选中上一步安装好的 Skill，输入 /qwen-subtitle 指令，将录好的视频地址粘贴到指令后面。开始执行

原录屏：没有字幕且不带进度条

完成第一次纠错的录屏：生成了中文字幕且视频增加了进度条

除了字幕识别与纠错之外，这个 Skill 还有一个辅助功能：自动为视频添加底部进度条。

针对时长超过 3 分钟的视频，Skill 会自动计算并在视频底部渲染进度条。如果某些视频不需要显示进度条，也可以在配置项里直接关闭这个选项。

第 3 步：网页预览与错词库自动同步

字幕生成并完成自动纠错之后，Skill 会提供一个本地网页预览界面。

页面的左侧可以实时查看视频播放和字幕的实际显示效果，右侧展示完整的字幕列表。点击列表里的任意一行，播放器会快速跳转到对应的时间点；双击列表文本，就可以直接编辑内容。

如果 AI 纠错之后仍然有个别遗漏，或者想微调格式（比如在英文单词与中文之间补充空格），可以直接在网页里修改并保存。确认没有问题后，再让 AI 执行最终的视频烧录。

在保存的过程中，Skill 会根据我们的修改行为做进一步判断：如果只是调整了空格或标点，系统不会记录；但如果发现我们把一个识别错误的词改成了正确词汇，它会自动把这组映射关系收录进错词库。这样在下一次处理新视频时，系统就会自动应用这套词汇规则，避免同一个技术名词反复识别出错。

第 4 步：多语言字幕生成

第 5 步：多语言配音录屏生成

向Agent发送指令：克隆视频中的声音，按照纠错后的英文字幕，生成一条英文版录屏

注意声音克隆必须显式选择并有声音使用权

本案例只测试生成带有英文配音的录屏，更多语言配音，欢迎动手尝试

所有纠错步骤执行完毕之后，把最终确认的字幕烧录进视频，导出完整的视频文件。

如何用阿里云百炼 CLI 构建应用

1、打开阿里云百炼 CLI 官网

https://bailian.console.aliyun.com/cli

浏览模型服务、应用服务、工具能力。

2、安装 CLI

复制下面的内容，告诉您的 AI Agent 阅读安装文档后，能够自动装好阿里云百炼 CLI。

请阅读：https://bailian.aliyun.com/cli/install.md 并按照说明为我安装阿里云百炼 CLI

3、鉴权配置

复制命令给 Agent 后自动完成鉴权信息配置。

帮我执行 bl auth login --console 控制台登录

4、开始使用

给您的 Agent 下发需求即可调度 CLI 能力进行产出，尝试给 Agent 发送第一个示例：

帮我执行 bl model list ，我要查看模型目录

本文开发者案例的五个步骤，就各自对应阿里云百炼的一种能力、一个模型、一条命令：

也来提交你的案例

每一个案例的背后，都是一位具体的开发者。现在已经有 96 位开发者把自己的作品放了进来，覆盖内容出海、基础教育、无障碍、语言学习、生活健康、电商素材这些场景，这个数字还在涨。