这是许多人的梦想之一，目前还没有公开的完美解决方案。然而，它仍然可以通过一些杂乱的工作来完成。一种可行的方法是：a）视频可以公开几分钟，b）Youtube 的自动字幕可以上传到Youtube，让 Youtube 自动字幕，然后使用KeepSubs网络应用程序下载字幕，然后删除视频。

然后找到具有您需要/想要的功能的字幕编辑器是一件简单的事情。AegisSub是一款高质量的字幕编辑器/应用程序，应该可以满足您的需求。

此 Python 2 脚本使用 Google Web Speech API 和 FFmpeg 生成字幕：https ://github.com/agermanidis/autosub

还有另一种选择，但它对您来说更有用。

那是使用语音->文本引擎和双公头 3.5 毫米音频线将扬声器输出路由到麦克风输入。质量将基于文本语音引擎的质量。我知道可以在 Mac 上运行的最好的引擎是Dragon Dictate（我使用的是 windows 版本 - Dragon Naturally speak - 而不是 Mac 版本）。

然后找到具有您需要/想要的功能的字幕编辑器是一件简单的事情。AegisSub是一款高质量的字幕编辑器/应用程序，应该可以满足您的需求。

然后更多的作品又来了；您必须设置时间（通过字幕编辑器）并检查错误。

总而言之，这是一项令人讨厌的工作，而且不是很自动化，但比通常手动输入要好一些 - 如果它的音频质量很差，你可以花更少的时间手动完成所有操作，而不是编辑非常不准确的语音 - >文本引擎结果.

Gaupol 0.19.2 (Python) 使用 GStreamer 0.10（带有插件 PocketSphinx 0.7）来识别语音并创建自动计时。我没有测试过较新的版本。

https://wiki.gnome.org/Apps/Gaupol/SpeechRecognition

我正在使用 Linux，但也许也可以在 OS X 上运行它们。