Captionize 是一個高效能的桌面應用程式，專門用於透過 OpenAI 的 Whisper 語音識別模型，快速且精確地從影片或音訊檔案中提取並生成 SRT 格式的字幕。
| 狀態 | 資訊 |
|---|---|
| 程式語言 |  |
| 框架 |  |
| 版本 |  |
| 授權 |  |
| Stars |  |
| Forks |  |
Captionize 旨在為內容創作者提供一個快速、準確且完全離線的字幕生成解決方案。此專案基於 WinUI 3 框架開發，利用 Whisper.net 庫來實作語音轉文字（ASR）功能。它能夠處理各種影片和音訊格式，並自動透過 FFmpeg 進行音訊提取，最終輸出標準的 SRT 字幕檔案。
核心價值在於結合了強大的 AI 模型（Whisper）與 Windows 桌面應用的便利性，讓使用者能夠在本機環境中利用 GPU 加速來進行大規模的語音識別任務，無需依賴雲端服務，確保資料隱私和處理速度。
Captionize 提供了以下關鍵功能，以簡化字幕生成工作流程：
- 高精度 AI 轉錄: 採用先進的 Whisper 語音識別模型，提供業界領先的轉錄準確度。
- 全格式支援: 透過內建自動下載與配置的 FFmpeg 工具，支援從主流影片格式（如 MP4, MKV, MOV 等）中提取音訊。
- GPU 硬體加速: 支援 CUDA 和 Vulkan 後端，使用者可以選擇利用 NVIDIA 或其他相容 GPU 進行加速，顯著縮短大型檔案的處理時間。
- 多模型選擇與管理: 支援 Whisper 模型的不同版本（如 tiny, base, small, medium 等），使用者可根據需求平衡速度與準確度。
- 多語言識別: 支援自動語言偵測或手動指定語言（如中文、英文等），提高轉錄品質。
- SRT 字幕輸出: 直接生成標準的
.srt格式字幕檔案，包含時間戳記和序列索引，即時可用於大多數影片播放器或編輯軟體。 - 進度可視化: 提供即時的轉錄進度條和日誌輸出，讓使用者清晰掌握任務狀態。
Captionize 是一個基於 Windows 平台的桌面應用程式，其技術核心圍繞著高性能的語音識別庫和現代的 Windows UI 框架。
| 類別 | 技術/工具 | 說明 |
|---|---|---|
| 前端/UI | WinUI 3, XAML | 現代 Windows 應用程式介面。 |
| 後端/邏輯 | C# (.NET 8) | 應用程式主要邏輯和非同步任務處理。 |
| 語音識別 | Whisper.net | C#/.NET 平台上的 Whisper 模型介面。 |
| 音訊處理 | FFmpeg, NAudio | FFmpeg 負責音訊提取；NAudio 可能用於音訊格式處理或時長獲取。 |
| GPU 後端 | CUDA, Vulkan | 通過 Whisper.net.Runtime.Cuda.Windows 實現硬體加速。 |
- 動態 FFmpeg 管理: 應用程式具備自我修復能力。如果本地缺乏 FFmpeg，它將自動從 GitHub 資源庫下載並解壓縮，確保音訊提取功能始終可用。
- Whisper Runtime 選擇: 程式碼中包含了明確的運行時選擇邏輯（判斷是否使用 CUDA/Vulkan），允許使用者根據硬體條件優化性能。
- 非同步與取消: 使用
CancellationTokenSource管理長時間運行的轉錄任務，確保使用者可以隨時安全地取消操作。
- 作業系統: Windows 10 (版本 17763.0 或更高版本) 或 Windows 11。
- 運行時: 需要支援 .NET 8 運行環境（通常在安裝 MSIX 包時會自動處理）。
為了獲得最佳的轉錄速度，特別是使用大型 Whisper 模型時：
| 元件 | 建議 | 備註 |
|---|---|---|
| CPU | 多核處理器 (i5/Ryzen 5 或更高) | 基礎轉錄使用。 |
| 記憶體 (RAM) | 至少 8 GB | 處理大型模型時需要更多記憶體。 |
| GPU | NVIDIA 顯示卡 (支援 CUDA 11+) | 使用 CUDA 後端時性能提升最為顯著。 |
Captionize 應用程式主要透過 MSIX 安裝包發布，這簡化了安裝和部署過程。
- 下載發布包: 前往 Release 頁面 下載最新的安裝檔案。
- 安裝應用程式: 下載以下任一檔案進行安裝：
Captionize.Installer.exe(推薦，包含依賴項檢查與安裝)。Captionize_X.X.X.X_x64.msix(Windows 應用程式包)。
注意：由於這是未發布到 Microsoft Store 的應用程式，您可能需要先安裝隨附的
.cer證書才能安裝.msix檔案。 - 首次運行設定: 首次運行時，應用程式會檢查並在本地資料夾 (
%LOCALAPPDATA%\Captionize\models) 中準備 AI 模型和 FFmpeg 執行檔。
- 選擇模型: 在應用程式介面中選擇所需的 Whisper 模型（例如
base或small）。 - 下載模型: 如果模型尚未下載，應用程式將提示您下載，模型檔案將存儲在本地，實現離線使用。
- 載入檔案: 點擊「選擇影片/音訊檔案」按鈕，選擇您的媒體檔案。 (
_selectedVideoFile) - 配置參數:
- 選擇模型: 選擇您希望使用的 Whisper 模型大小。
- 選擇語言: 選擇媒體檔案的語言，或保留「自動偵測」。
- 運行時後端: 在運行時優先級列表中選擇 CPU、CUDA 或 Vulkan 以決定加速方式。
- 溫度 (Temperature): 調整模型的採樣溫度（通常保持預設值即可）。
- 開始轉錄: 點擊「開始」按鈕。
- FFmpeg 檢查: 應用程式會首先檢查並下載 FFmpeg (如果需要)。
- 音訊提取: FFmpeg 將音訊提取為 WAV 格式 (
ExtractAudioFromVideoUwp)。 - AI 分析: Whisper 處理音訊流並生成字幕片段 (
StartAudioTranscriptionUwp)。
- 結果輸出: 轉錄完成後，完整的 SRT 格式字幕將顯示在文字區域中，您可以將其複製或儲存為
.srt檔案。
字幕結果由 GenerateSRT() 方法生成，遵循標準 SRT 格式：
1
00:00:00,000 --> 00:00:05,000
這是第一段字幕內容。
2
00:00:05,500 --> 00:00:10,123
這是第二段字幕內容。專案結構清晰，主要圍繞 WinUI 應用程式的標準佈局，核心邏輯集中在 MainWindow.xaml.cs。
Captionize/
├── .gitignore # 忽略 Visual Studio, .NET, 和編譯產生的檔案 (包含 FFmpeg 相關 dll)
├── Captionize.sln # Visual Studio 解決方案檔案
├── README.md # 專案說明文件
└── Captionize/ # 應用程式專案目錄
├── Assets/ # 應用程式資源，如圖示和啟動畫面
├── Properties/
│ └── launchSettings.json # 應用程式啟動配置
├── App.xaml.cs # 應用程式入口點和生命週期管理
├── Captionize.csproj # C# 專案檔案，定義依賴項和建構設定
└── MainWindow.xaml.cs # **核心檔案**: 包含 UI 邏輯、FFmpeg/Whisper 整合、轉錄流程控制
Captionize/MainWindow.xaml.cs:- 負責所有使用者互動和後台處理。
- 包含
CheckFFmpegExistsAsync,DownloadFFmpeg,ExtractAudioFromVideoUwp等方法，處理媒體預處理。 - 包含 Whisper 模型的載入、運行時配置 (
WhisperFactory.FromPathwithUseGpuoption)，以及SubtitleSegment的處理和 SRT 字幕生成邏輯。
Captionize/Captionize.csproj:- 明確定義了對 Whisper.net 1.8.1 及其所有運行時後端的依賴 (包括 CUDA, Vulkan, NoAvx)。
- 定義了 WinUI 3 框架和目標 SDK 版本。
- 包含多個 CUDA 相關 DLL 檔案的引用，這些 DLL 確保了 GPU 後端能夠正確運行。
以下是 Captionize 專案的近期發布紀錄，提供給使用者下載和追蹤更新。
| 版本標籤 | 發布日期 | 變更說明 | 下載連結 (x64 MSIX) |
|---|---|---|---|
| 1.0.1.0 | 2025-10-04 | 穩定性更新，無詳細說明。 | MSIX 下載 |
| 1.0.0.0 | 2025-10-01 | 初次發布，核心功能實作。 | MSIX 下載 |
A: 轉錄速度主要取決於您選擇的模型大小和運行時後端：
- 模型大小: 如果您使用的是
medium或large模型，處理速度自然較慢，但準確度最高。建議在速度要求較高時使用base或small模型。 - 運行時: 確保您已在應用程式中選擇了 CUDA 或 Vulkan 後端，並且您的電腦具有相容的 GPU 和驅動程式。如果選擇 CPU 運行，即使是小型模型也會耗費較長時間。
A: 應用程式在啟動轉錄流程時會自動嘗試下載 FFmpeg。如果下載失敗或被網路阻止，請檢查您的網路連線和防火牆設定。
FFmpeg 預設從
https://github.com/BtbN/FFmpeg-Builds/下載，並存儲在應用程式的本地資料夾中。
A: 是的。專案代碼中使用了 CancellationTokenSource 來管理非同步任務。當使用者點擊取消按鈕時，任務將安全地終止，並在日誌中顯示「處理已由使用者取消」。
本專案目前未指定明確的開源授權（License）。所有權利保留給專案擁有者。
版權聲明
© 2025 Nickyangtpe
本專案得以實現，主要歸功於以下開源技術和資源：
- Whisper.net: 提供了強大的 C# 語言綁定，實現了高效的 Whisper 模型運行。
- FFmpeg: 用於音訊和影片處理的核心工具。
- WinUI 3 / .NET: 提供了現代 Windows 應用程式的開發環境。
專案擁有者/聯絡方式
- 作者: Nickyangtpe
- GitHub: https://github.com/Nickyangtpe
- 專案頁面: https://github.com/Nickyangtpe/Captionize