字幕生成与声音克隆，
全在本地完成。

字幕。 为创作者、播客主播和任何需要精准时间码字幕的人而设计。带波形图的可编辑转录稿，字幕片段可直接拖动；支持 SRT、VTT、纯文本或 Final Cut Pro 的 FCPXML 格式；自动识别 16 种语言，包括普通话与粤语；可选用 OpenAI whisper-1 走云端路径。

声音克隆。 由 CosyVoice 3 驱动 — 完全在本地运行，参考音频不会离开你的电脑。零样本克隆，无需微调。支持 9 种语言：中文 · English · 日本語 · 한국어 · Deutsch · Español · Français · Italiano · Русский。Whisper 自动为参考音频生成转录稿，可在原位编辑。按需安装 — 只在你启用时才下载模型。

• 任意缩放等级下的逐像素波形时间轴（⌘+ / ⌘− / ⌘0）
• 字幕片段可拖动 — 主体拖动位置，边缘调整时长
• 原位文本编辑，文本框自动展开，⌘Z 撤销
• 插入 / 拆分 / 合并 / 删除 — 每行的 + 按钮（自动填充间隙），行内 ✂ 在光标处拆分，↑ 与上一行合并，⌘J 合并多行选区
• 变速播放（1× / 1.25× / 1.5× / 2×）不改变音调
• 中文转录稿支持即时简/繁转换（OpenCC）
• 格式通杀：WebM (Opus + AV1)、MKV、FLAC、.ogg（Web Audio 后备方案）
• 本地模式不向外发送任何数据 — 适合 NDA 保密内容

CosyVoice 运行时体积较大（约 6.5 GB），无法直接打包，会在你首次下载模型时按需安装。Vuesub 会自动检测缺少的依赖并在界面上给出安装命令。你需要先把以下三个工具加入 PATH：

• python 3.10–3.12 — CosyVoice 的 torch 版本要求。 brew install [email protected]
• uv — venv 与依赖管理器，比 pip 快 10 倍。 curl -LsSf https://astral.sh/uv/install.sh | sh
• git — 浅克隆 CosyVoice 仓库。 xcode-select --install

注意。 声音克隆目前仅在 Apple Silicon Mac 上完整测试。Windows 与 Linux 版本由 CI 构建，但运行时路径尚未在这两个平台实测。如遇问题，欢迎 提交 issue 反馈。

SRT。 SubRip — 通用的时间码字幕格式。纯文本、编号字幕段、HH:MM:SS,mmm 时间格式。播放器：VLC、IINA、mpv、QuickTime、智能电视。上传：YouTube、Vimeo 直接接受 SRT。剪辑软件：Premiere Pro、DaVinci Resolve、Final Cut Pro、剪映、Camtasia。硬字幕烧录：ffmpeg -vf subtitles=in.srt。

FCPXML。 一份真正的 Final Cut Pro 项目（FCPXML 1.11），每段字幕都是 lane 1 上可重新设计样式的原生 <caption> — 不是烧录的字幕。帧率精确对齐（1080p · 30 / 24 / 25 / 29.97 / 60）。29.97 与 59.94 使用 drop-frame 时间码，其他帧率使用 NDF。导入方式：File → Import → XML… → 选择 .fcpxml。

VTT。 配合 HTML5 <video> 与 <track> 标签的 WebVTT 格式。结构与 SRT 类似，时间分隔符是 . 而非 ,，文件以 WEBVTT 头部开始。适合你自己控制的站点托管视频。

纯文本。 只有文字，每段一行，没有时间码。适合需要 内容 而非时间的场景 — 把播客整理成博客、把转录稿丢进 Notion、把文本喂给 LLM、分享笔记。