海螺ai暂不支持视频直连转录，需通过四类路径实现带时间戳文字稿：一、内置音频提取+asr生成srt；二、bibigpt提取字幕后导入校对；三、whisper.cpp本地转录再格式转换；四、otter.ai分离说话人后优化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您已有一段视频文件，希望海螺AI为其自动生成带时间戳的文字稿，则可能是由于当前版本未开放视频直连转录接口或视频格式不被ASR引擎原生支持。以下是实现该目标的多种操作路径：
一、使用海螺AI内置音频提取+转文字流程
该方法通过海螺AI自动分离视频中的音频轨道，并调用其自研ASR模型完成语音识别，输出带毫秒级时间戳的SRT字幕文件，适用于MP4、MOV等主流封装格式且音频编码为AAC或MP3的视频。
1、访问海螺AI网页端（https://hailuoai.com/audio），进入“Video to Text”模块。
2、点击【上传视频】，支持格式为MP4、MOV、AVI，文件大小不超过300MB，分辨率不限但建议低于4K以保障处理稳定性。
3、上传后系统自动执行音视频解复用，提取主声道音频并启动语音识别；进度条显示“分离中→识别中→生成字幕”三阶段状态。
4、识别完成后页面弹出预览窗口，左侧为带时间轴的逐句文本，右侧同步高亮对应视频帧；点击【导出SRT】即可下载标准字幕文件。
二、通过BibiGPT提取原始字幕再导入海螺AI校对
该方案利用BibiGPT对YouTube、B站等平台公开视频页的深度解析能力，直接从网页端抓取内嵌字幕轨道或执行ASR补全，产出结构化VTT/SRT，再交由海螺AI进行语义润色与时间轴微调。
1、打开BibiGPT浏览器插件或访问 https://bibigpt.co 网页版。
2、粘贴目标视频完整URL（例如：https://www.bilibili.com/video/BV1xx411x7VX 或 https://www.youtube.com/watch?v=dQw4w9WgXcQ）。
3、点击【提取字幕】按钮，系统自动识别页面是否存在CC字幕；若无，则启用本地ASR模型进行实时转录并标注说话人区块。
4、导出为VTT格式后，在海螺AI中选择“文本精修”功能，上传该文件并输入提示词：请将以下字幕文本按语义分段、修正错别字、统一标点，并保持原有时间戳不变。
三、用Whisper.cpp本地部署实现高精度时间戳对齐
该路径面向对隐私敏感、需离线处理或含专业术语/方言的视频，借助Whisper.cpp的CT2量化推理引擎，在本地GPU上运行tiny.en/base.zh模型，输出JSON格式带chunk级时间戳的原始识别结果，再经海螺AI做格式标准化转换。
1、从GitHub下载whisper.cpp最新release包（https://github.com/ggerganov/whisper.cpp），解压至本地目录。
2、运行命令：./main -m models/ggml-base-zh.bin -f input.mp4 --output-json --max-len 30，其中--max-len限制单句最大字符数以提升断句准确性。
3、获取output.json后，将其拖入海螺AI“批量格式转换”工具，选择“JSON to SRT”模板，自动映射"start"/"end"/"text"字段至SRT标准结构。
4、点击【生成】，系统输出兼容FCPX、Premiere及网页播放器的SRT文件，时间戳精度达±50ms。
四、借助Otter.ai中转生成双说话人带时间戳稿
该方法适用于含两人以上对话、存在交叉发言或背景音复杂的视频，依赖Otter.ai的声纹聚类与上下文建模能力完成角色分离，再将带Speaker标签的VTT导入海螺AI进行中文语境适配与术语强化。
1、访问otter.ai，登录账号后点击【Upload Video】，上传MP4/MOV文件（支持最高4K@60fps，时长上限2小时）。
2、在设置中启用【Speaker separation】与【Chinese speech enhancement】选项，确保模型优先适配普通话声学特征。
3、转录完成后，在编辑界面手动合并误拆片段（如将“Speaker 1:你好”与“Speaker 2:早上好”相邻句块标记为同一轮对话），点击【Export】→【VTT】。
4、将VTT文件上传至海螺AI“多说话人文本优化”模块，输入指令：请将以下带说话人标签的字幕按对话轮次重排，补充语气助词与逻辑连接词，保留全部原始时间戳。
