核心区别就一句话：云端字幕要把你的视频上传到别人的服务器去识别，本地字幕全程在你自己电脑上完成、数据不出门。准确率如今两者差不多，所以怎么选主要看内容——纯知识点、对外公开课，云端方便就用；只要涉及学生信息或还没公开的教材试题，就老老实实用本地离线字幕，从源头不上传。下面把准确率、隐私、可用性几个点逐一说清楚。
核心要点
- 云端字幕要把音频或整段视频上传到服务商的服务器；本地字幕在自己电脑上识别，音视频不离开设备。
- 本地字幕基于 whisper 这类模型，准确率已经追上云端，普通录课的中英文口语场景完全够用。
- 本地字幕不需联网，断网、出差、教室没 Wi-Fi 都能生成，也不受服务器排队、宕机影响。
- 涉及学生姓名成绩、未公开教材试题的课，优先选本地离线字幕，从源头避免上传泄露。
- 讲笔 Lecta 是为讲课设计的桌面录屏+剪辑+字幕一体工具，内置 whisper.cpp 本地识别，字幕生成后可编辑、可导出字幕文件，支持 macOS 12.3+ 和 Windows 10+。
两种字幕方案是怎么工作的
自动字幕本质上都是"语音转文字"，但实现路线分两种：
- 云端字幕：你把音频或整段视频上传到服务商的服务器，对方用部署在云端的模型完成识别，再把生成好的字幕文本返回给你。常见的在线字幕网站、部分剪辑软件的"识别字幕"功能走的就是这条路。优点是你的电脑不用承担计算，识别由远端的大算力完成。
- 本地字幕：语音识别模型直接装在你自己的电脑上，转写全程在本机进行，音视频数据不离开设备。这类方案通常基于开源模型（如 whisper），把模型下载下来在本地跑。优点是数据不出门、不依赖网络。
说到底就一句话：算在哪里、数据去哪里。下面几点对比都是从这儿来的。
准确率：本地真的更差吗
很多人有个老印象：云端模型大、算力强，肯定更准；本地的小、又跑在自己电脑上，多半将就。这印象早就过时了。
以 whisper 为代表的本地识别模型这几年进步很快，中文、英文、还有咱们课堂上常见的中英混读，都能识别得相当准，普通录课的口语完全够用。云端也未必更准——不少云端服务底层用的其实就是同源或相近的开源模型。
真正决定字幕准不准的，常常不是"本地还是云端"，而是这几样：
- 录音清晰度：用像样的麦克风、离话筒近一点，比换什么识别引擎都有效。
- 背景噪音：风扇、键盘、回声会显著拉低识别率，录前降噪很关键。
- 口音和专业术语：方言口音、生僻的学科名词，任何模型都可能出错，最后还得人工校对一遍。
所以与其纠结走哪条路线，不如先把录音录干净，再把识别结果手动顺一遍——本地方案的成品质量，通常不比云端差。
隐私：你的课该不该上传
这是两条路线最实质的区别，也最值得认真对待。云端字幕要把你的课程内容传出去，本地字幕全程不出本机。
想想看，一节录课视频里可能藏着多少敏感信息：
- 学生信息：课堂点名、念到的学生姓名、提到的成绩或个人情况。
- 未公开内容：你还没发布的教材、原创讲义、自命题的试卷和答案。
- 你本人的声音和肖像：录课视频本身就是你的声音、甚至画面。
用云端工具，这些都得随音视频一起传到对方服务器上。传上去之后，数据存多久、会不会被拿去训练模型、有没有泄露风险，你基本管不着，多数服务条款也写得含含糊糊。对涉及学生隐私和未公开内容的课来说，这个风险不该忽视。
速度与可用性
除了隐私，日常用起来两者也不一样：
- 不依赖网络：本地字幕断网也能用，出差、在没有 Wi-Fi 的教室、网络不稳的环境照样生成字幕；云端则必须联网，没网就用不了。
- 不受服务可用性影响：云端会受网速、服务器排队、限流甚至宕机的影响，赶时间时可能卡在上传或排队上；本地只取决于你自己电脑的性能。
- 速度上各有侧重：云端把计算交给远端大算力，长视频识别可能更快，但要先花时间上传；本地省去了上传，短视频往往更利落，长视频则吃电脑配置。
平心而论，云端确实省事——打开网页传上去就行，不占自己电脑的资源。内容本来就公开、不怕泄露，用云端没毛病。可只要沾上学生信息或没公开的材料，本地那种"随时能用、数据不出门"，用着就是更踏实。
老师该怎么选
没有绝对的对错，看你录的是什么内容：
- 内容公开、不含敏感信息（如纯知识点讲解、对外公开课）：云端方便就用云端，注意别上传含学生信息的素材即可。
- 涉及学生信息、未公开教材试题：优先选本地离线字幕，从源头规避上传风险。
- 经常断网、出差、教室没网：本地方案不依赖网络，更稳。
要是你倾向本地，讲笔 Lecta 内置了基于 whisper.cpp 的本地离线识别引擎，能识别中英文，录像和音频全程不出本机、不联网，字幕生成后还能直接编辑、导出字幕文件，从录屏、剪辑到字幕都在同一个 App 里搞定。它支持 macOS 12.3+ 和 Windows 10+，更多功能见 功能介绍。免费版就能用字幕功能，想试试从 下载页 装一个，自己跑一遍看看效果。
常见问题
问：本地字幕和云端字幕哪个准？
两者差距已经很小。云端字幕过去准是因为模型大、算力强，但本地语音识别模型（如 whisper）这几年进步很快，中文、英文和中英混读都能达到很高的准确率，普通录课口语场景基本够用。真正影响准确率的往往不是"本地还是云端"，而是录音是否清晰、有没有背景噪音、口音和专业术语多不多。建议先用清晰的麦克风录音，再配合本地识别和事后手动校对，效果通常不输云端。
问：视频字幕会泄露隐私吗？
用云端字幕工具时存在这个风险。生成字幕需要把你的音频或整段视频上传到对方服务器，而录课内容里可能包含学生姓名和成绩、尚未公开的教材和试题、以及你本人的声音和肖像。这些数据上传后如何存储、是否被用于训练、保留多久，你通常无法控制。如果改用本地离线字幕，音视频全程留在你自己的电脑上、不联网，就从根本上避免了上传带来的泄露风险。
问：离线能生成字幕吗？
能。本地字幕方案把语音识别模型直接装在你的电脑上，转写在本机完成，不需要联网。讲笔 Lecta 内置 whisper.cpp 本地识别引擎，断网、出差、在没有 Wi-Fi 的教室里都能正常生成中英文字幕，也不受服务器排队或宕机影响。这正是本地字幕相比云端的一大优势。
问：whisper 是什么？
whisper 是一种开源的语音识别（语音转文字）模型，能把音频里的说话内容自动转写成文字，支持中文、英文等多种语言。因为模型可以下载到本地运行，所以常被用来做"离线字幕"——不联网、不上传，在自己电脑上就能把录课视频的声音变成字幕。讲笔 Lecta 内置的就是基于 whisper.cpp 的本地识别引擎。