很多时候想看的视频没有字幕：直播回放、没人翻译的网课、国外新闻直播、番剧。之前只能靠听。
DualPiP 最近 v1.7 更新加了 ASR （自动语音识别）实时字幕功能。
原理
通过浏览器的音频捕获 API 获取视频音频流，发送到 Deepgram 云端通过 WebSocket 实时转写。也支持本地部署的 Whisper 服务器。预加载模式无延迟，实时字幕延迟大约 300ms 。
Deepgram 为新注册用户提供 **$200 免费额度**，注册全程无需绑定任何支付方式。按 nova-3 模型 $0.007/分钟计算，$200 额度足够转录约 476 小时音频——相当于看 238 部 2 小时电影
适用场景
- 直播没字幕：YouTube/Twitch 直播大多没有实时字幕，DualPiP 可以实时生成
- 网课录像：大学网课很多没有字幕，开了 ASR 就有了
- 看生肉番：为没有字幕的番剧，自动生成字幕，
- 学外语：ASR 生成的字幕可以直接走 AI 翻译生成双语字幕，看英语直播时显示英文+中文字幕
ASR 实时流和预下载批量模式有什么区别？
DualPiP ASR 提供两种音频捕获和识别模式，适应不同的观看场景：
实时流模式（ WebSocket Streaming ）
音频通过 WebSocket 实时发送到 Deepgram 服务器，字幕延迟低于 300ms ，几乎和说话同步。Deepgram 的 Interim Results 功能还会在最终结果出来前提供临时识别结果，让字幕出现得更快。适合直播、视频会议、实时内容等需要即时反馈的场景。
预下载批量模式（ Pre-download + HTTP Batch ）
DualPiP 先将视频音频预下载并按时间段分割，然后通过 HTTP 请求批量发送到 ASR 服务进行离线识别。适合已发布的视频内容——可以在观看前提前生成完整字幕，播放时完全无延迟。预下载模式同时支持 Deepgram 云端和本地 Whisper 后端。
| 对比 | 实时流模式 | 预下载批量模式 |
|---|---|---|
| 延迟 | < 300ms | 预下载完成后零延迟 |
| 适合场景 | 直播、实时内容、会议 | 已发布的视频、需要完整字幕 |
| 支持后端 | Deepgram （ WebSocket ） | Deepgram + 本地 Whisper |
| 字幕完整性 | 实时生成，偶有遗漏 | 完整覆盖全部音频内容 |
如何用 ASR 字幕配合 AI 翻译生成实时双语字幕？
DualPiP 的 ASR 和 AI 翻译可以配合使用，为任何语言的在线视频实时生成双语字幕。这解决了一个传统字幕无法覆盖的场景：视频没有原生字幕，但你需要看双语字幕学外语。
ASR + AI 翻译的工作流程
- ASR 实时识别原文：Deepgram 将视频音频转录为原语言文字字幕
- AI 大模型实时翻译：DualPiP 的 AI 翻译引擎将 ASR 生成的字幕翻译为目标语言
- 双语字幕同时显示：原文和译文以双语字幕的形式叠加在视频上方
为什么 ASR 字幕翻译强烈推荐使用 AI 大模型？
ASR 生成的字幕与传统字幕文件不同——ASR 字幕是实时识别的语音转录，可能存在断句不完整、口语化表达多、专有名词无上下文等问题。AI 大模型翻译（ DeepSeek 、GPT 、Claude 等）在翻译 ASR 字幕时显著优于传统机翻（ Google 、Microsoft ），原因在于：
| 对比维度 | 传统机翻（ Google/Microsoft ） | AI 大模型翻译（ DeepSeek/GPT/Claude ） |
|---|---|---|
| 上下文理解 | 逐句翻译，无前后文信息 | DualPiP 发送最近 N 条字幕作为上下文历史 |
| 口语化处理 | 直译口语，生硬不通顺 | 理解口语语境，翻译自然流畅 |
| 断句补全 | ASR 断句不完整时翻译错乱 | 能结合上下文补全语义，正确翻译 |
| 专有名词 | 频繁翻错人名、术语 | 结合 DualPiP 的影片信息增强识别 |
| 语气还原 | 机械直译 | 保留说话者语气和表达风格 |
DualPiP 的 AI 翻译引擎使用滑动窗口上下文机制：每次翻译 ASR 字幕时，会将前面已翻译的字幕作为对话历史一起发送给 AI ，让翻译结果前后一致、上下文连贯。这在 ASR 场景下尤其重要——因为语音识别的断句和传统字幕不同，AI 需要结合前文才能正确理解当前句子的含义。
适合的使用场景
| 场景 | 说明 |
|---|---|
| 看无字幕外语视频学语言 | ASR 识别原文 + AI 翻译为母语，双语对照学习 |
| 看直播或实时内容 | 直播没有预制字幕，ASR 实时生成 + AI 实时翻译 |
| 学术讲座和在线课程 | 部分课程无字幕或仅有英文字幕，ASR + AI 生成中文翻译 |
| 播客和访谈节目 | 纯音频内容通过 ASR 可视化为文字，再翻译为目标语言 |
DualPiP 支持 30+ AI 翻译服务商，用户可以根据翻译质量和费用自由选择。推荐使用 DeepSeek V4 Flash（性价比高，翻译一部电影约 ¥0.2-0.5 ）。
哪些视频网站可以用 DualPiP ASR 自动生成字幕？
DualPiP ASR 基于浏览器的 Audio Capture API 捕获音频，理论上可以为任何在 Chrome 中播放的视频自动生成字幕。 对于没有原生字幕的视频（如很多直播内容、小众平台视频、用户上传的无字幕视频），ASR 是获取字幕的唯一途径。
常见问题
Q：ASR 实时语音识别的准确率怎么样？ Deepgram nova-3 模型在英语上的词错误率（ WER ）低于 8%，是 2026 年最准确的实时语音识别模型之一。中文、日语等语言的识别准确率同样出色。识别效果受音频质量、说话人口音和背景噪音影响，纯语音内容的识别效果最佳。
Q：ASR 是 DualPiP 的免费功能还是 PRO 功能？
DualPiP 基础功能免费，AI 翻译和 ASR 需要登录后开通 PRO 后使用。
ASR 实时字幕是 PRO 功能。DualPiP 的 YouTube 网页内双语字幕和基础画中画播放器免费使用，ASR 、AI 翻译等高级功能需要 购买 PRO 。首次注册免费开通 7 天 PRO
Q：能识别视频中的多种语言混合吗？ Deepgram 的 Multilingual 模式支持在同一段音频中自动检测和切换语言，适合多语言混合的访谈、播客和教学内容。本地 Whisper 后端也支持语言自动检测，但切换精度低于 Deepgram 。
下载
Chrome Web Store: https://chromewebstore.google.com/detail/dualpip/ddkmobcljbfggkmibabekgpbighaogpn
Select Language