過去我曾介紹過 OpenAI 開源的 Whisper 語音辨識模型，至今我仍常用它來生成影片字幕。但最近，我的工作流程有了重大升級！
自從 Google Gemini 2.5 Pro 推出後，其 優異的多模態辨識能力 和 超大的 Context Window，讓字幕校稿工作迎來了革命性的改變。
字幕校稿的痛點
雖然 Whisper 生成的字幕效果已經相當出色，通常只需要丟進 ArcTime 這類軟體稍微校正時間軸和錯字即可。但這個「稍微」校正，往往仍需花費 影片時長 1.5 倍左右的時間。特別是遇到專有名詞時，Whisper 常常會辨識錯誤，修正起來相當費神。
Gemini + Whisper 新工作流：速度提升 10 倍！
現在，我們可以利用 Gemini 作為強大語言模型的特性，讓它直接 讀取音檔 和 Whisper 的初步字幕，並 理解全文語意 來進行校正。這不僅能修正錯字，還能處理專有名詞，甚至自動加上必要的標點符號，大幅節省校稿時間！
以下就來分享具體的操作方法：
步驟 1：使用 Whisper 生成初步字幕
首先，我會使用 WhisperDesktop (基於 Whisper CPP，無 GPU 也能快速運行) 或其他 Whisper 工具，生成影片的初步 .srt 字幕檔。
步驟 2：進入 Google AI Studio 並選擇模型
接著，前往 Google AI Studio。確保右側模型選擇了 Gemini 2.5 Pro。
步驟 3：上傳音檔與初步字幕
你可以直接上傳影片，但強烈建議只上傳音檔 (如果檔案室 .wav，建議壓成 .mp3 節省上傳時間)。雖然 Gemini 2.5 Pro 可以理解影像內容，但對字幕校稿來說，影像通常不是必需的，只會增加上傳時間和 Token 消耗。
點擊上傳按鈕，選擇你的音檔，或是直接 Ctrl+C、Ctrl+V 貼上也可以。
步驟 4：輸入關鍵提示詞 (Prompt)
這是最重要的一步。你需要告訴 Gemini 你的需求。以下提供一個範本提示詞，我自己測試，這樣下提示詞的效果最好：
|
|
額外提示 (可選，但強烈建議加上)
如果可以的話，建議可以進一步提供給 Gemini 影片的主題，與裡面可能會用到的關鍵字，這能幫助它更好地理解全文語意。例如：
|
|
合起來就會變
|
|
步驟 5：獲取並檢查校正結果
輸入完畢後，按下 Ctrl + Enter 或點擊送出。稍等片刻，Gemini 就會開始推理並輸出校正後的字幕。
我們可以看到，校正後的字幕幾乎沒有錯誤，標點符號也加上了，效果非常好！
步驟 6：處理可能的專有名詞錯誤 (如有)
儘管 Gemini 很強大，但對於較新且未在提示詞中提及的專有名詞，如 Gemini 2.5 Pro、o3-mini，如果提示詞沒寫，它仍可能辨識錯誤 (例如寫成舊版或其他模型名稱)。
這時有兩種處理方式：
- 繼續對話: 直接在聊天介面中指出錯誤，讓 Gemini 修正。
- 手動取代: 將輸出的字幕複製出來，使用文字編輯器的「尋找並取代」功能，一次性修正。
由於 Gemini 輸出同一詞彙的用字通常很統一，不像 Whisper 可能有多種拼法，因此取代起來非常方便。所以個人會比較推薦直接下載下來手動取代。
步驟 7：(選用) 使用 ArcTime 最終檢查
最後，可以將校正好的字幕檔再匯入 ArcTime 或其他字幕編輯軟體。主要目的是快速檢查沒有說話的空白片段，字幕是否被錯誤地連接起來。Whisper 預設輸出的時間戳通常已經相當準確，不太需要大幅調整。
檢查無誤後，即可輸出最終字幕檔，上傳到 YouTube 或其他平台使用！
此方法的限制與注意事項
這個方法雖然高效，但也有一些限制：
- 依賴網路服務: 整個流程需要連網使用 Google AI Studio，網路速度與上傳的音檔格式會影響上傳時間。
- 隱私考量: 對於高度機密或不希望上傳到雲端的內容 (如公司內部訓練影片)，雖然 Google 的資安值得信賴，但仍需謹慎評估，不建議使用此方法。
- 輸出長度限制: 對於非常長的影片 (例如超過 50 分鐘)，即使只上傳音檔不易超過 Token 輸入限制，但單次輸出的 Token 數量仍可能達到上限，導致字幕被截斷。屆時可能需要分段處理。
結語
以上就是利用 Google Gemini 2.5 Pro 加速 Whisper 字幕校稿的最新工作流程分享。透過結合 Whisper 的快速生成和 Gemini 的強大語意理解與校正能力，我們可以將繁瑣的字幕校稿工作效率提升數倍，將更多時間專注於內容創作本身！
如果你覺得這個方法有用，不妨試試看，也歡迎分享你的使用心得！
