Auto Caption 实时字幕生成软件使用指南

一、软件概述

Auto Caption 是一款创新的跨平台实时字幕显示软件，它通过捕获系统音频流数据（包括输入和输出），利用先进的语音识别技术自动生成同步字幕。该软件默认集成了阿里云Gummy语音识别引擎，支持中英日韩等9种语言的识别与翻译功能。

核心特性

• 实时音频捕获：支持系统录音和播放音频的双向捕获
• 多语言识别：默认支持9种主流语言的语音识别
• 跨平台运行：兼容Windows和Linux操作系统
• 可扩展架构：支持自定义字幕引擎集成

技术架构

软件基于Electron框架开发，采用主进程+字幕引擎子进程的架构设计。主程序负责界面展示和用户交互，字幕引擎则独立处理音频采集和语音识别任务，二者通过JSON格式进行数据交换。

二、环境准备

2.1 阿里云API密钥配置

要使用默认的Gummy语音识别引擎，需要完成以下步骤：

1. 获取API密钥：

   • 登录阿里云控制台
   • 进入模型工作室服务
   • 创建并保存API密钥对（API ID和API Secret）

2. 设置环境变量：

   ALIBABA_CLOUD_API_KEY=<your-api-id>
   ALIBABA_CLOUD_API_SECRET=<your-api-secret>
   

注意：国际版阿里云暂不支持Gummy模型，非中文用户需等待后续本地引擎开发完成

三、软件使用详解

3.1 参数配置

软件设置分为三大模块：

1. 通用设置：

   • 修改后立即生效
   • 包含基础功能开关和界面选项

2. 引擎设置：

   • 语音识别模型选择
   • 音频输入源配置
   • 需要点击"应用"按钮保存

3. 字幕样式：

   • 字体、颜色、大小等视觉设置
   • 同样需要手动应用变更

3.2 字幕控制流程

1. 启动引擎：

   • 点击主界面"Start Caption Engine"按钮
   • 系统将初始化音频捕获和识别流程

2. 独立窗口：

   • 通过"Open Caption Window"开启浮动字幕窗口
   • 支持置顶、调整宽度等实用功能

3. 暂停识别：

   • 点击"Stop Caption Engine"临时停止
   • 再次点击可恢复识别

3.3 字幕窗口操作

浮动窗口提供三个核心功能按钮：

• 📌 窗口置顶锁定
• ⚙️ 返回控制面板
• ❌ 关闭字幕窗口

技巧：拖拽窗口边缘可自由调整显示宽度

四、高级功能

4.1 字幕记录导出

所有识别结果自动保存在内存中，可通过：

1. 进入控制面板
2. 点击"Export Caption Records"
3. 选择保存路径导出JSON格式记录

4.2 自定义引擎配置

对于需要集成其他语音识别引擎的用户：

1. 启用"Custom Engine"选项
2. 指定引擎可执行文件路径
3. 配置运行参数命令
4. 注意此时原引擎设置将失效

开发提示：自定义引擎需遵循特定的数据接口规范，详见引擎开发文档

五、技术实现原理

5.1 工作流程

1. 音频采集层：通过系统API捕获原始音频流
2. 语音识别层：将音频数据送入识别模型处理
3. 数据处理层：转换识别结果为结构化JSON
4. 展示层：主程序解析并渲染最终字幕

5.2 平台差异说明

• Windows：完整支持输入/输出音频捕获
• Linux：目前仅支持麦克风输入捕获

六、常见问题

Q：软件体积为什么较大？ A：由于基于Electron框架，包含了完整的Chromium运行时环境

Q：识别延迟明显怎么办？ A：建议检查网络连接状况，或尝试降低音频采样率

Q：能否离线使用？ A：当前默认引擎需要联网，后续版本将提供本地识别引擎

提示：使用过程中遇到技术问题，建议查看引擎日志获取详细信息