文档中心

AI MediaKit

视频工具

视频识别字幕（OCR）

AI MediaKit 的视频识别字幕工具，利用先进的视频光学字符识别（OCR）技术，能够精准地从视频画面中提取硬字幕（即固化在视频画面中、无法访问的文字），输出一份带时间戳的结构化文本数据，有助于实现字幕提取、视频内容合规审核以及构建视频内容搜索引擎等功能。

本篇开发指南将引导您：

理解视频识别字幕的核心能力与工作流程。

快速从一个视频文件中提取出内嵌的字幕文本。

学习如何使用不同的识别模式以适应不同场景。

效果预览

通过视频识别字幕工具，您可以将一个包含硬字幕的视频文件作为输入，最终得到结构化的 JSON 字幕数据，其中包含了每一句字幕的文本内容和精准的起止时间。

输入的视频文件

输出的字幕数据

Replay

Play

00:00 / 00:39 Live

00:00

Fullscreen

Cssfullscreen

2x
1.5x
1x
0.75x
0.5x

Click and hold to drag

原始 API 输出为 JSON 格式，处理后可得到类似 SRT 格式的数据：

快速体验：从视频中提取硬字幕

本场景演示如何从一段视频中，提取出所有内嵌字幕对应的文本及时间轴。

准备工作

获取访问凭证：在开始之前，访问 AI MediaKit 控制台 API Key 管理页面，创建并获取 MediaKit API Key（用于媒体处理功能鉴权）。

准备视频文件：准备一个待处理的视频文件，并将其上传至公网可访问的服务器或视频点播服务中，以获取可供 API 调用的 URL。为方便您快速测试，本文后续步骤的示例代码中提供了一个可直接使用的演示视频 URL。

操作流程

视频识别字幕是一个异步任务，完整流程如下：

成功调用 POST /api/v1/tools/video-ocr 后，API 将返回一个任务 ID。

您可以轮询查询任务信息 API，直到任务状态 status 变为 completed；或者使用事件回调自动接收任务状态变化。

任务完成后，解析 result 字段，即可在 subtitles 数组中获取所有字幕信息。

第 1 步：提交任务

您需要调用提交视频识别字幕（OCR）任务 API。可直接复制以下 cURL 命令提交一个基础任务。

说明

需替换参数：

将 {Your_API_Key} 替换为您的有效 API Key。

video_url：示例中已提供可直接用于测试的演示视频 URL。您也可以将其替换为您自己的视频地址。

请求成功后，您会收到如下包含 task_id 的响应，请保存此 ID 用于后续查询。

第 2 步：获取结果

您需要通过轮询查询任务接口，直到任务状态 status 变为 completed。

说明

需替换参数：将 URL 末尾的 {task_id} 替换为第 1 步返回的任务 ID。

当任务成功完成后，您将收到如下响应。result 字段的 subtitles 数组中包含了字幕结果。

进阶使用

调整识别范围（默认仅字幕）

默认情况下，视频识别字幕工具仅识别位于视频画面常规字幕位置的文本，适用于绝大多数硬字幕提取场景。除了默认的字幕识别模式（Subtitle）外，该工具还提供详细模式（Detailed），用于识别画面中所有可见的文本信息，包括但不限于字幕、标题、注释等。

示例：使用详细模式识别视频中的所有文本

详细模式下，返回结果中的每个 subtitle 对象会额外包含两个字段：

text_label：文本类别标签。Subtitle 表示字幕；Others 表示画面中的其他文字（如水印、台标、贴片等非字幕内容）。

text_location：文本在画面中的像素坐标矩形（top_left_x / top_left_y / bottom_right_x / bottom_right_y），可用于精确定位文本所在位置。

参考信息

应用场景

字幕提取与再创作：从无字幕轨的视频中提取字幕，作为生成 SRT/WebVTT 字幕或进行二次创作的基础。

视频内容索引与检索：提取视频中的所有文字信息，建立内容索引库，实现通过关键词快速检索视频片段。

内容审核与合规：快速识别视频中的文字内容，用于敏感词检测、版权信息核查等内容合规审查场景。

数据分析与挖掘：将海量视频中的视觉文本数据化，用于市场分析、品牌曝光统计等商业智能应用。

使用限制与性能

限制项

说明

输入文件限制

文件来源：支持公网 HTTP/HTTPS URL、本地上传 (mediakit://)、来源于火山引擎视频点播 (vod://) 和火山引擎对象存储 (tos://) 四种输入协议。关于各协议的具体说明和使用示例，请参阅多源媒体输入与本地上传。

支持格式：mp4, flv, ts, avi, mov, wmv, mkv 等主流视频格式。

视频时长：单文件时长不得超过 10 分钟。

视频分辨率：支持 240p～4k。

语种支持：当前版本仅支持识别简体中文和英语。