Auto-Subs：本機 Whisper 字幕工具，把模型搬進你的 DaVinci

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

很多在 DaVinci Resolve 裡剪片的創作者，遇到字幕這一關都會卡一下：用剪映或 Otter 雲端轉文字很準，但把字幕無損搬回時間軸要繞好幾步；用 DaVinci 內建的字幕功能又要重新聽打。Auto-Subs（github.com/tmoroney/auto-subs）就是補這個缺口的本機字幕工具，把 OpenAI 的 Whisper 模型整合進 DaVinci Resolve、Premiere Pro 與 After Effects，所有轉錄都在你自己的顯卡上跑完，不送雲端、不限時長、沒有月費。它本身用 Rust 綁定（whisper-rs）直接在本機跑模型，屬於那種「有顯卡的人，完全可以自己扛」的開源工具。

重點先看：Auto-Subs 是 Tom Moroney 開發、MIT 授權的本機字幕工具，把 Whisper、Moonshine、Parakeet 等開源模型塞進 DaVinci Resolve、Premiere Pro 與 After Effects，2026-07-21 剛釋出 v3.8.0、3,878 顆星、持續在更新。它支援 100 多種語言、說話者分軌、SRT 與文字匯出，模型從 80 MB 的 tiny 到 3.1 GB 的 large-v3 自選；要付出的代價是硬體門檻（建議 6 GB 以上 VRAM 才能順跑 medium 以上模型），以及 Mac App Store 版 DaVinci 不支援、必須改裝 Blackmagic 官網版本。

把 Whisper 寫進 DaVinci：Auto-Subs 的外掛機制差異化

Auto-Subs 是 Tom Moroney 從 2023 年開始維護、目前在 GitHub 累積 3,878 顆星、254 個 fork 的開源專案，授權是 MIT（forced-alignment 權重另外處理，下面會講）。技術堆疊不是 Electron，而是 Tauri + React + Rust，前端用 Radix UI 元件庫，後端把 whisper-rs（Whisper C++ 的 Rust 綁定）與 ONNX Runtime 包進同一支桌面 app。也因為是 Tauri，安裝檔比 Electron 同類工具小很多，macOS Apple Silicon、Intel、Windows（Vulkan/DirectML）、Linux 都有對應安裝包。

它的核心定位是「本機優先（local-first）字幕工具」，README 第一句就寫「No cloud, no subscription, no data leaving your machine」。依賴裡看不到 analytics、telemetry、Sentry、PostHog、Firebase、Amplitude 任何一條資料回傳函式庫；模型推理走 whisper-rs（GGML 格式）與 ONNX Runtime，所有音訊檔與轉錄結果都留在本機。這不代表它完全斷網，應用程式會抓 Tom Moroney 自己伺服器上的下載計數 badge（tom-moroney.com/release-tracker），用來在首頁顯示總下載量，這條連線會把你的 IP 送進他的伺服器 log，介意的人可以擋掉這個網域，字幕功能本身不受影響。

外掛整合是 Auto-Subs 最差異化的地方。DaVinci Resolve 在 Workspace → Scripts 選單底下原本就支援 Lua 與 Python 腳本，Auto-Subs 用這個官方機制把自己掛進去，不需要修改 DaVinci 本體或繞過簽章檢查；Adobe 端則透過 CEP extension（Common Extensibility Platform）掛載，所以 Premiere Pro 與 After Effects 開啟時，AutoSubs 面板會自動帶出。換句話說，它不是把字幕「生成 SRT 給你、你自己拖進時間軸」的獨立工具，而是直接在剪輯軟體裡長出字幕軌道，這對剪輯節奏的幫助很大。

跟 Otter、Descript 與剪映雲端字幕的根本差別

市面上做「語音轉字幕」的工具，背後的運算模型大致分三種：雲端 API（Otter、Descript、剪映雲端版）、瀏覽器 WebAudio（純前端音轉字工具）、本機 GPU（Auto-Subs、Whisper.cpp、faster-whisper）。雲端 API 準確度高、不用扛硬體，但每分鐘要付費、音檔要上傳；瀏覽器工具完全免安裝，但模型規模受限、長音檔容易撞記憶體；本機 GPU 工具要自己準備顯卡，但沒有時長上限、隱私邊界明確。Auto-Subs 屬於第三類，差別在於它把這件事做進 DaVinci 與 Adobe 裡，不用切換軟體。

跟它定位最近的「本機優先」同類，可以參考我們之前介紹過的 MioSub 開源 AI 字幕工具 與 Input 0 開源語音輸入工具。MioSub 是「貼連結就出片」的網頁型字幕一站流程（轉錄、翻譯、對齊、壓制），Auto-Subs 則是「桌機外掛、長在剪輯軟體裡」，兩者目標讀者不同：MioSub 適合不想裝桌機 app、只想要一支壓好字幕影片的人；Auto-Subs 適合本來就在 DaVinci 或 Premiere 剪片、想把字幕這個環節也吃進自己工作流的創作者。如果你只是要快速把 YouTube 影片抓出逐字稿，AI YouTube Transcript 那種貼連結的雲端工具會比 Auto-Subs 更輕量。

兩種工作流：獨立模式與 DaVinci 模式怎麼選

Auto-Subs 啟動後第一個要決定的是走哪種模式。獨立模式（Standalone）就是一支桌機 app，把音訊或影片檔拖進去，選好模型與語言，按下 Transcribe 就會輸出 SRT、純文字或剪貼簿內容，全程不開 DaVinci 也行。DaVinci 模式則是 Auto-Subs 與 DaVinci Resolve 同時開啟，Auto-Subs 透過 Lua server 與 DaVinci 溝通，把你選的時間軸音訊抓出來轉錄，再把字幕以 Fusion macro 形式推回 DaVinci 時間軸，時間碼對齊在音訊上。Adobe 端的 Premiere / After Effects 透過 CEP extension 走類似的流程：Premiere 把字幕匯入為 caption track，After Effects 則把每段 SRT 轉成文字圖層。

如果你本來就在 DaVinci 剪片，建議直接走 DaVinci 模式，因為最省時間的環節其實是「把字幕無損同步回時間軸」，轉錄本身反而只佔一小部分。獨立模式等於還要自己手動把 SRT 拖進 DaVinci、對齊、套樣式，工作流斷點多。Adobe 用戶則要注意 CEP extension 必須在 Adobe 官方完整版才能跑，被盜版或精簡版的環境通常會缺 CEP 執行環境。Auto-Subs 另外提供 CLI 模式（autosubs --help），寫腳本批次處理整個資料夾的影片可以用。

Pin

模型挑選：tiny、medium、large-v3 與 large-v3-turbo 的取捨

Auto-Subs 內建三個模型家族：Whisper（透過 whisper-rs 跑 GGML 格式）、Moonshine（Useful Sensors 的 ONNX 模型）、Parakeet（NVIDIA 的鸚鵡螺模型，同樣走 ONNX Runtime）。一般使用者最常用的是 Whisper 家族，README 把每個大小的模型對應的硬體需求列得很清楚，這裡直接引官方表格：

實際選擇可以從三個角度拿捏。語言的部分，英文素材選 .en 結尾的變體，README 寫得很明白「英文專用模型在英文音訊上略準」；中文、日文、韓文這類非拉丁語系的素材，則不要用 tiny 與 base，因為這兩個小模型對 CJK 的字元級輸出很不穩，至少從 small 起跳。硬體搭配上，6 GB VRAM 的中階卡（例如 RTX 3060）能順跑 medium 與 large-v3-turbo，後者是 2024 年 OpenAI 推出的蒸餾版，準確度接近 large-v3、速度接近 small，是目前 most cost-effective 的選擇。large-v3 雖然最準，但 3.1 GB 模型加 10 GB RAM 的硬體門檻，會把多數膝上型電腦擋在外面。

說話者分軌（speaker diarization）是 Auto-Subs 與 barebone Whisper 工具的另一個差異。它在底層呼叫 pyannote-rs（Pyannote 的 Rust 實作），能標出「現在這段話是說話者 A 還是 B」，並在 Fusion macro 裡給每個說話者獨立的字幕樣式。這個功能對訪談型 Podcast、對談型 YouTube 影片幫助最大，單人 Vlog 用不太到。

Pin

限制與風險：硬體門檻、MMS 授權與 Mac App Store 警告

用一套本機 AI 工具前，硬體與授權兩條線都要看清楚。硬體門檻最先碰到：Auto-Subs 的模型大小直接綁 VRAM/RAM，small 以下 4 GB 卡能跑，但 medium 以上要 5 到 10 GB，Apple Silicon Mac 因為統一記憶體，16 GB 機種能跑到 large-v3、8 GB 機種建議停在 small。Intel Mac 在 2026-07-21 那次 v3.8.0 的 commit 裡被特別修了一個 bug，舊版在 Intel Mac 上會強制走 Metal 後端導致 abort，新版改成 CPU-only，所以 Intel Mac 用戶速度會比 Apple Silicon 慢一截，這是已知限制不是 bug。Linux 用戶要用 NVIDIA 卡走 CUDA、AMD 卡走 ROCm，內顯跑不動 large-v3。

授權分層是另一個容易混淆的地方。Auto-Subs 的「程式碼」是 MIT 授權（Copyright (c) 2023 Tom Moroney，LICENSE 在 repo 根目錄），可以商用、修改、再散布；但模型權重不完全一樣：Whisper 本身是 Apache 2.0、Moonshine 與 Parakeet 各自走自己的授權，README 的「Model licensing」段另外標明：optional 的 MMS forced-alignment 權重是從 Meta 的 MMS 模型轉換而來，以 CC BY-NC 4.0 提供，禁止商業使用。所以如果你要把字幕工作流用在商業專案，轉錄本身（Whisper）沒問題，但開啟 MMS forced-alignment（用途是更精細的字級時間碼對齊）就走進非商業授權領域，要自行確認。Auto-Subs 的 Model Manager 把這些模型分開下載、不會預設綁在一起。

DaVinci 版本限制是 macOS 用戶會踩到的雷。README 在 DaVinci 整合段標了一個 WARNING：「Mac App Store version not supported – download DaVinci Resolve from blackmagicdesign.com instead」。原因是 Mac App Store 版 DaVinci 因為沙盒限制，不允許第三方 Lua server 連線，所以 Auto-Subs 的 DaVinci 模式對它無效。如果你原本裝的是 Mac App Store 版，必須改裝 Blackmagic 官網的 .dmg 版才能用 DaVinci 模式；獨立模式（Standalone）不受影響。

語言支援的邊界則是處理低資源語言時會碰到的限制。Auto-Subs 號稱支援 100 多種語言，但 README 在 Model licensing 段老實寫了：「MMS 雖然支援上千種語言，但字級對齊（word-level alignment）需要先用 uroman 把文字羅馬拼音化，uroman 雖然涵蓋拉丁、西里爾、阿拉伯、CJK 與大部分印度語系，但少數極低資源少數民族的文字不在它的資料裡，可能產出不精準或缺漏的字級時間碼」。對主流語言（中英日韓歐語系）沒影響，但若處理的是原住民語或低資源方言，就要把這條算進去。

專案活躍度這條也要算進去。Auto-Subs 的 v3.8.0 在 2026-07-21 釋出，主打 MMS forced-alignment 字級時間碼、Resolve 在非英文 locale 匯出音訊誤判失敗的修正與設定對話框可讀性；同日 main 分支陸續合併 Intel Mac 強制 CPU-only 避免 Metal abort（PR #693）、Resolve 匯出 render job list 空值防護（PR #692）。最近半個月合併 10 個 PR、發了 2 個版（v3.7.0 與 v3.8.0），屬於仍在積極維護的專案；作者 Tom Moroney 同時維護 tom-moroney.com/auto-subs/ 官網與 Buy Me a Coffee 贊助頁，沒有走 SaaS 化收費路線。不過開源專案的活躍度會變動，下載前到 repo 首頁看一下最近 commit 時間比較保險。

適合誰、不適合誰

適合的人：最直接的受眾，是本來就在 DaVinci Resolve 或 Premiere Pro 剪片、需要常態產出字幕的創作者，尤其是訪談、對談、Podcast 類型，Auto-Subs 的說話者分軌與剪輯軟體原生整合能省下可觀的後製時間。另一類是隱私敏感素材的處理者，例如企業內部訪談、未公開產品 demo、醫療或法律性質錄音，這類素材不能上雲端，本機 Whisper 幾乎是唯一選項。還有一類是高頻長素材創作者，每個月雲端字幕訂閱費 $20 美元起跳的人，自有顯卡跑 Auto-Subs 幾個月就回本。

不適合的人：沒有獨立顯卡、只用 Intel UHD 或 Apple MacBook Air 8 GB 機種的人會被卡住，能跑的模型上限是 small，準確度會比雲端 Otter / Descript 低一截，沒有省到訂閱費的意義。只偶爾需要一支字幕、不會常態產出的人也不太適合，安裝桌機 app + 模型 + 設定 DaVinci 整合的成本，比用 AI YouTube Transcript 那種貼連結雲端工具高太多。需要最高準確度的專業場景（法庭逐字稿、醫療聽打）也不建議，目前開源 Whisper 的最後一段準確度仍跟不上人類聽打或專業雲端服務，這類需求建議走人工校對或付費服務。

三個可以立刻執行的下一步

1. 先用獨立模式試水準確度，再決定要不要裝 DaVinci 整合。到 GitHub Releases 下載對應平台的安裝包（macOS 也可用 brew install --cask auto-subs），啟動後丟一段 5 到 10 分鐘的自己素材，模型選 large-v3-turbo（6 GB VRAM 起跳），跑一次看錯字率。判斷標準：中文錯字率 5% 以下、英文 3% 以下，就值得投資整合工作流；超過 10% 就先檢查音質或換模型。

2. 確認 DaVinci 是 Blackmagic 官網版而非 Mac App Store 版。macOS 用戶打開 DaVinci Resolve → Workspace 選單，看底下有沒有 Scripts 子選單；如果沒有，或你確認是 App Store 版，到 blackmagicdesign.com 下載 .dmg 版重新安裝（兩者可以共存，但只有 .dmg 版能跑 Auto-Subs 整合）。完成後重開 DaVinci，再到 Workspace → Scripts 找 AutoSubs，這個名稱出現才算掛載成功。

3. 評估要不要開 MMS forced-alignment。如果你只做商業內容、不在乎字級時間碼精度，在 Model Manager 裡略過 MMS 權重下載，全程使用 MIT + Apache 2.0 授權的 Whisper 就好；如果你做的是字幕精修、需要每個字獨立時間碼（例如卡拉 OK、學術語料庫），就下載 MMS 但要記得它的 CC BY-NC 4.0 限制，相關產出不能商用。

常見問題

Auto-Subs 跟 faster-whisper、Whisper.cpp 這類本機 Whisper 工具有什麼不一樣？

它們都跑同一個 Whisper 模型，差別在工作流。Whisper.cpp 與 faster-whisper 是 CLI 工具，輸出 SRT 之後要自己想辦法搬進剪輯軟體；Auto-Subs 把轉錄、說話者分軌、字幕樣式 preset、剪輯軟體整合全部做起來，等於「Whisper 引擎 + 剪輯軟體外掛」一體成型。技術上 Auto-Subs 的 Whisper 也是透過 whisper-rs 跑 GGML（跟 Whisper.cpp 同源），所以準確度不會有差距，差距在 UI 與整合。

中文轉錄的準確度大概在哪？

Auto-Subs 沒有公開官方中文測試資料，社群普遍反映 large-v3 在乾淨錄音的普通話素材上可以做到 90 到 95% 字元級準確度，粵語、台語、口音較重或背景音嘈雜的素材會降到 70 到 85%。這組數字是開源圈跨多篇測試整理出來的量級而非絕對值，建議用自己實際素材測一次再決定。比較基準可參考 純前端音訊轉文字工具 與 Input 0 本機 Whisper 兩篇的討論。

可以拿來做卡拉 OK 字幕或字幕組嗎？

技術上可以，但要看素材與授權。卡拉 OK 字幕需要字級時間碼，要開 MMS forced-alignment，而 MMS 是 CC BY-NC 4.0、不能商用；字幕組翻譯別人的影視作品則涉及原作品版權，Auto-Subs 工具本身不會阻擋，但使用者要自負授權責任。

商業頻道可以用 Auto-Subs 嗎？

Auto-Subs 程式碼是 MIT，可以商用；Whisper 模型是 Apache 2.0，也可以商用；只要不開 MMS forced-alignment（CC BY-NC 4.0）這條路徑，商業內容產出沒有授權問題。Adobe 端使用者還要確認自己用的是合法授權的 Creative Cloud 訂閱，CEP extension 是 Adobe 官方外掛機制、不會繞過 Adobe 本身的授權檢查。

跟 FreeCut 瀏覽器影片剪輯器這種本機優先影片工具比，定位差在哪？

FreeCut 走純瀏覽器 WebCodecs，檔案不上傳但模型選擇受限、長影片會撞瀏覽器記憶體；Auto-Subs 走桌機 Tauri + 本機 GPU，能跑的模型大得多、長影片不受瀏覽器限制。兩者不是競爭關係，FreeCut 適合不願裝桌機 app 的人做輕量剪輯與字幕，Auto-Subs 適合有剪輯軟體工作流的進階創作者做長片後製。