VideoSubtitleGenerator 是非常好用的批量字幕工具！
建议增加 FunASR SenseVoice 作为可选的语音识别引擎。SenseVoice 在中文字幕场景有显著优势：
- 中文准确率更高：CER 3.2%（AISHELL），远优于 Whisper 的 8.4%
- 速度快 10 倍以上：非自回归架构，GPU 推理 170x 实时
- 内置标点和 VAD：无需额外后处理
- 模型更小：234M 参数（vs Whisper large 1.5B），显存需求低
集成非常简单：
pip install funasr
from funasr import AutoModel
model = AutoModel(model="iic/SenseVoiceSmall", vad_model="fsmn-vad")
result = model.generate(input="audio.wav")
VAD 切分 + 时间戳输出天然适合字幕生成。
参考：
Note
许可证与能力更正（2026-07-14）： FunASR 是工具箱，不是单一模型。FunASR 与 SenseVoice 仓库源码采用 MIT；模型权重以各自模型卡为准。SenseVoiceSmall 支持中文、粤语、英语、日语和韩语，权重使用模型卡链接的 FunASR 模型开源协议；Fun-ASR-Nano-2512 为 Apache-2.0。语言范围、标点和性能取决于所选模型及运行配置。
VideoSubtitleGenerator 是非常好用的批量字幕工具！
建议增加 FunASR SenseVoice 作为可选的语音识别引擎。SenseVoice 在中文字幕场景有显著优势：
集成非常简单：
VAD 切分 + 时间戳输出天然适合字幕生成。
参考：