Video Caption Suite最新版

还在手动为视频加字幕？Video Caption Suite 是一个开源工具，基于通义千问最新视觉语言模型 Qwen3-VL-8B-Instruct，可自动分析视频内容并生成精准字幕。只需选择一个文件夹，它就能批量处理所有视频，并将 .txt 字幕文件保存在原视频旁。

整个过程无需联网，所有计算在本地完成，保障隐私与效率。

核心特性

• 批量处理：一次处理整个文件夹的视频
• Qwen3-VL-8B 驱动：利用 8B 参数视觉语言模型理解画面与语音上下文
• 本地输出：字幕以 .txt 文件形式保存在视频同目录
• 多 GPU 并行：自动检测多卡环境，提升处理速度
• 图形化界面：通过浏览器操作，无需命令行

系统要求

多 GPU 场景下，每个 GPU 需约 16GB 显存 加载 Qwen3-VL-8B 模型。

快速开始

安装

# Windows
install.bat

# Linux / macOS
chmod +x install.sh && ./install.sh

脚本将自动创建虚拟环境并安装依赖。

启动

# Windows
start.bat

# Linux / macOS
./start.sh

然后在浏览器中打开 http://localhost:8000。

使用流程

1. 点击 Settings → 选择工作目录
2. 系统自动扫描该目录下的所有视频
3. 勾选需要处理的视频 → 点击 Process
4. 等待处理完成，字幕文件（如 video.mp4.txt）将出现在原视频旁

高级配置

编辑 config.py 可调整模型行为：

多 GPU 支持

当系统检测到多个 CUDA GPU 时：

• 自动启用并行处理
• 每个 GPU 独立加载模型副本
• Settings → Optimization 中会出现“批处理大小”滑块（默认 = GPU 数量，最多 8）
• 显著缩短大批量视频的处理时间

注意：多 GPU 模式对显存要求较高，建议每卡 ≥16GB。

适用场景

• 自媒体创作者：快速为短视频生成字幕草稿
• 教育工作者：为课程视频添加文字记录
• 研究人员：批量分析视频内容
• 个人归档：为家庭录像生成可搜索文本