Subtitle Edit Whisper: konfiguracja, silniki i modele

Obsługa Whisper w Subtitle Edit mieści się w jednym oknie: Wideo → Zamiana mowy na tekst... (English: Video → Speech to text...), w starszych wersjach nazywanym Audio to text. Otwórz wideo, wybierz silnik i model, ustaw język i kliknij Transkrybuj (English: Transcribe). Subtitle Edit pobiera to, czego potrzebuje, przy pierwszym użyciu. Prawdziwa decyzja dotyczy tego, który silnik pasuje do twojego sprzętu.

Ten tekst omawia ten wybór dla Windows z kartą NVIDIA, Windows bez niej i Maca, a także jedno ograniczenie modelu turbo przy tłumaczeniu, tryb wsadowy, raport jakości i to, co sprawdzić, gdy nic nie wychodzi. Fakty o Subtitle Edit pochodzą z jego repozytorium na GitHubie i oficjalnej dokumentacji, sprawdzonych 31 października 2026.

Jak używać Whisper w Subtitle Edit?

Siedem kroków, wziętych z dokumentacji zamiany mowy na tekst. Subtitle Edit jest darmowy i open source na licencji MIT; obecna stabilna wersja to 5.3.0 z 14 października 2026.

1. Otwórz plik wideo w Subtitle Edit.
2. Wybierz Wideo → Zamiana mowy na tekst....
3. Wybierz Silnik (English: Engine). Przyciski obok otwierają stronę silnika, pobierają go i otwierają jego ustawienia. Whisper CPP i Crisp ASR pokazują też listę Backend.
4. Wybierz Model (English: Model). Większy zwykle znaczy dokładniejszy, wolniejszy i większy na dysku.
5. Wybierz Język nagrania albo automatyczne wykrywanie, jeśli silnik je obsługuje.
6. Opcjonalnie zaznacz Przetłumacz na angielski (English: Translate to English) i Przetwarzanie końcowe (English: Post-processing).
7. Kliknij Transkrybuj.

Silniki i modele pobierają się automatycznie przy pierwszym użyciu, więc pierwsze uruchomienie zawiera czekanie. Wynikiem są zwykłe napisy na głównej liście, które edytujesz jak każdy inny plik.

Ludzie wciąż szukają „subtitle edit audio to text”. To to samo okno pod starą nazwą, a jedna linia w dzienniku zmian serii Subtitle Edit 5 wciąż jej używa.

Który silnik Whisper wybrać w Subtitle Edit?

To zależy od karty graficznej, bo większość silników na liście uruchamia te same modele Whisper, tylko inaczej spakowane. Rada z samej dokumentacji: „Dla użytkowników kart NVIDIA: aby transkrypcja była najszybsza, użyj backendu Whisper CPP cuBLAS albo Purfview Faster Whisper XXL.”

Purfview Faster Whisper XXL i Whisper Const-me nie są dostępne w macOS. Whisper OpenAI, oryginalna implementacja w Pythonie, jest na liście dla każdej platformy. Tabela silników w dokumentacji to miejsce, gdzie platformy każdego silnika są na bieżąco aktualizowane.

Na tej samej liście są inne silniki. Crisp ASR opakowuje kilka modeli innych niż Whisper, między innymi Parakeet, Canary i SenseVoice, i potrafi wykrywać mówców, oznaczając wiersze (speaker 0). Cztery silniki online (OpenAI Compatible Server, OpenRouter, Alibaba Qwen3-ASR i Google Cloud Speech-to-Text) wysyłają twój dźwięk na serwer, co ma znaczenie, jeśli nagranie jest poufne. Pozostałe działają na twoim komputerze.

Modele Subtitle Edit Whisper: który jest właściwy?

Wybierz największy model, który twój sprzęt kończy w czasie, jaki akceptujesz. Lista biegnie od tiny, najszybszego i najmniej dokładnego, przez base, small i medium, do large, large-v2 i large-v3, najdokładniejszych i najwolniejszych.

Kilka szczegółów z dokumentacji:

• Modele .en są tylko dla angielskiego i lepsze dla angielskiego dźwięku. Używaj ich, gdy każde słowo jest po angielsku.
• large-v3-turbo jest opisany jako mocny w japońskim. Dla większości języków to rozsądny wybór domyślny, jeśli sprzęt go uciągnie.
• Istnieją dostrojenia językowe: .sv, .nb i anime.ja, czyli model anime-whisper dla japońskiego z anime i powieści wizualnych.

Miejsce na dysku i czas pracy rosną razem. Jeśli wolisz liczby od reguł kciuka, nasze porównanie modeli Whisper podaje rzeczywisty rozmiar pobierania każdego modelu i to, co każdy z nich wychwycił na próbnym nagraniu. To jedno nagranie, a nie benchmark, ale pokazuje, ile kosztuje każdy kolejny stopień.

Subtitle Edit Whisper GPU i CUDA: co naprawdę pomaga

W Windows GPU oznacza przede wszystkim NVIDIA. Trzy praktyczne punkty:

1. Wybierz backend, nie tylko silnik. W Whisper CPP lista Backend decyduje, czy praca idzie na cuBLAS (NVIDIA CUDA), Vulkan, czy na CPU. Na komputerze z dobrą kartą sprawdź, czy nie został ustawiony CPU.
2. Dopasuj wersje CUDA. Whisper CTranslate2 wymaga CUDA 12.x. Jeśli ten silnik sprawia ci kłopoty z CUDA, alternatywą są Whisper CPP cuBLAS i Purfview.
3. Brak pamięci? Zejdź o jeden model niżej. Odpowiedź dokumentacji na „CUDA out of memory” to mniejszy model.

Dwa dalsze ustawienia znajdują się w zaawansowanych opcjach silnika: parametry wiersza poleceń dla każdego silnika oraz VAD, który poprawia czasowanie.

Przetłumacz na angielski zwraca język oryginału: haczyk z turbo

Przetłumacz na angielski zamienia mowę w innym języku na angielski tekst w tym samym przebiegu. Wybierz jednak model turbo, a tekst może wrócić w języku oryginału.

Powód jest w README Whisper od OpenAI: model turbo „nie jest trenowany do zadań tłumaczeniowych” i zwraca język oryginału nawet przy zażądanym tłumaczeniu. Rada brzmi: użyj medium albo large. Jeśli więc zaznaczysz tę opcję przy wybranym large-v3-turbo i nie zobaczysz angielskiego, zmień model na medium albo large i uruchom jeszcze raz.

Ta droga daje tylko angielski. Dla innych języków docelowych najpierw zrób transkrypcję, a potem użyj Tłumaczenie → Automatyczne tłumaczenie... (English: Translate → Auto-translate...). Wśród jego silników są Google Translate V1 (darmowy), DeepL i ChatGPT (oba z własnym kluczem API), LibreTranslate, MyMemory oraz modele lokalne przez Ollama, LM Studio albo llama.cpp. Co sprawdzić potem, opisuje nasz poradnik o tłumaczeniu pliku SRT bez psucia czasowania.

Jak transkrybować wiele filmów naraz w Subtitle Edit?

Użyj trybu wsadowego, czyli Tryb wsadowy (English: Batch mode). Dodaj pliki wideo, wybierz silnik, model i język, i kliknij Transkrybuj. Subtitle Edit zapisuje plik .srt obok każdego wideo. Zaznacz Dodaj kod języka do nazwy pliku (English: Add language code to file name), jeśli chcesz video.en.srt zamiast video.srt, co ma znaczenie, gdy tylko kilka języków trafia do jednego folderu.

Jeśli twoje pliki bardzo się różnią, na przykład cichy wywiad obok hałaśliwego nagrania z ulicy, trudniejsze uruchom jako osobną partię z większym modelem.

Przetwarzanie końcowe i raport jakości transkrypcji

Wynik Whisper jest dokładny, ale nieuporządkowany, a opcja Przetwarzanie końcowe porządkuje go w ramach transkrypcji. Dokumentacja wymienia, co potrafi:

• dopasować czasowanie, używając szczytów fali dźwiękowej
• poprawić zbyt krótkie czasy trwania
• poprawić wielkość liter i dodać kropki
• scalić krótkie wiersze i podzielić długie
• usunąć wiersze bez mowy, takie jak „[Music]”
• usunąć powtórzone wiersze

Raport jakości transkrypcji jest domyślnie włączony i to najprzydatniejsza część okna do wyłapywania nawyków Whisper. Oznacza pięć problemów: za krótkie, za długie, nakładanie się, brak mowy i powtórzenia. Do „za długich” należy to, co dokumentacja nazywa typową halucynacją: dwa lub trzy słowa rozciągnięte na 10 do 30 sekund. „Powtórzone” oznacza silnik, który utknął w pętli.

Traktuj każdą oznaczoną linijkę jako miejsce do odsłuchania, a nie tylko do usunięcia. Wzorce, które za nimi stoją, i ustawienia, które im zapobiegają, opisuje tekst o tym, dlaczego Whisper powtarza wiersze i zmyśla tekst.

Subtitle Edit Whisper nie działa: brak tekstu, błędy, CUDA

Zacznij od prostych przyczyn. Przejdź po tej liście, która pochodzi z FAQ i wskazówek w dokumentacji:

1. Czy silnik i model są pobrane? Subtitle Edit prosi o oba. Dla silnika, którego nigdy nie używałeś, pozwól mu pobrać silnik i model, zanim zaczniesz.
2. Przeczytaj dziennik konsoli na dole okna Zamiana mowy na tekst. Kliknij okno prawym przyciskiem i wybierz Wyświetl plik dziennika narzędzi (English: View tools log file), żeby zobaczyć pełny zapis. Silniki do pobrania mają w tym samym menu pozycję ponownego pobrania.
3. Zniknął plik silnika? Zwykła przyczyna to oprogramowanie antywirusowe, które odsyła plik wykonywalny do kwarantanny. Subtitle Edit sprawdza to na początku transkrypcji, nazywa brakujący plik i proponuje pobranie go ponownie.
4. CUDA out of memory? Wybierz mniejszy model.
5. Crisp ASR nic nie zwraca przy włączonym VAD? Silero może odrzucić krótki fragment jako niemowny. Subtitle Edit próbuje jeszcze raz bez VAD, zanim zgłosi pusty wynik.

Jeśli transkrypcja się kończy, ale tekst jest zły, a nie brakuje go, sprawdź najpierw ustawienie języka, a potem spróbuj większego modelu.

Kiedy Sablate pasuje lepiej niż Subtitle Edit?

Gdy celem są napisy gotowe do publikacji, a nie plik z napisami do dopracowania, i wolisz w ogóle nie wybierać między silnikami i backendami.

Sablate to aplikacja desktopowa na Windows 10 lub nowszy i macOS 12 lub nowszy. Uruchamia faster-whisper z czterema poziomami: Fast (tiny), Balanced (small), Accurate (large-v3-turbo) i Best (large-v3). W Windows z kartą NVIDIA środowisko CUDA pobiera się przy pierwszym użyciu GPU; na Macu transkrypcja działa na CPU. Nie ma silnika ani backendu do wyboru.

Dodaje drugą połowę zadania. Jedna transkrypcja zasila kilka warstw tłumaczenia, każdą z własnym stylem i własną czcionką pisma. Trzynaście presetów napisów, w tym Hormozi i Karaoke, oraz styl karaoke przesuwający się po słowach stylizują wynik, a wypalanie obsługuje 9:16, 1:1 i 16:9 przez kadrowanie albo rozmyte tło. Napisy słowo po słowie i napisy w wielu językach pokazują te sposoby pracy szczegółowo.

Plan darmowy nie wymaga konta i obejmuje filmy do dziesięciu minut, trzy zadania miesięcznie, modele Fast i Balanced oraz jedną warstwę tłumaczenia offline; wypalone napisy mają małe oznaczenie w rogu. Pro kosztuje $29 jednorazowo albo $5.99 miesięcznie, a resztę wymienia strona z cennikiem. Inne aplikacje, które działają w ten sposób, porównuje tekst o generatorach napisów offline.

Subtitle Edit czy Sablate w skrócie

Subtitle Edit wygrywa ceną, platformami, wyborem silników, etykietami mówców i obsługą formatów. Jeśli zawodowo edytujesz napisy albo chcesz pełnej kontroli nad całym procesem, zostań przy nim. Sablate to krótsza droga do stylizowanych napisów w kilku językach dla kogoś, kto wolałby nie czytać tabeli silników.

Którą drogę wybrać?

„Mam kartę NVIDIA i często edytuję napisy”. Zostań w Subtitle Edit z Whisper CPP cuBLAS albo Purfview Faster Whisper XXL, modelem large-v3-turbo i włączonym raportem jakości.

„Mam laptopa bez karty NVIDIA”. Whisper CPP z backendem Vulkan, model small albo medium i cierpliwość przy długich plikach.

„Jestem na Macu”. Najpierw Whisper CPP. Spróbuj WhisperX na Apple Silicon, jeśli potrzebujesz czasowania na poziomie słów.

„Nagranie nie jest po angielsku, a chcę angielskich napisów”. Użyj medium albo large z opcją Przetłumacz na angielski, nie turbo.

„Wywiady z kilkoma mówcami”. Crisp ASR z wykrywaniem mówców, którego Sablate nie oferuje.

„Chcę pionowe napisy z podświetlaniem słów w trzech językach do wieczora”. Pobierz Sablate na Windows lub Maca.

Najczęściej zadawane pytania

Jak użyć Whisper w Subtitle Edit?

Otwórz wideo, wybierz Wideo, potem Zamiana mowy na tekst, wskaż silnik i model, ustaw język mowy i kliknij Transkrybuj. Subtitle Edit pobiera silnik i model przy pierwszym użyciu. Gdy skończy, wiersze pojawiają się na głównej liście napisów, gdzie edytujesz je jak każde inne napisy.

Który silnik Whisper jest najszybszy w Subtitle Edit?

Na karcie NVIDIA to Whisper CPP z backendem cuBLAS albo Purfview Faster Whisper XXL, które poleca oficjalna dokumentacja. Bez NVIDIA Whisper CPP z backendem Vulkan może użyć innej karty graficznej w Windows. Na Macu Whisper CPP to silnik, który działa wszędzie, a WhisperX i CTranslate2 wymagają Apple Silicon.

Jaki model Whisper wybrać w Subtitle Edit?

Wybierz large-v3-turbo, jeśli twój komputer go uciągnie, small albo medium, jeśli nie, a model .en do nagrań wyłącznie po angielsku. Większe modele są dokładniejsze, ale wolniejsze i zajmują więcej miejsca na dysku. Tiny jest najszybszy i najmniej dokładny, więc zostaw go na szybkie szkice. Unikaj turbo przy opcji Przetłumacz na angielski.

Dlaczego Przetłumacz na angielski zwraca w Subtitle Edit język oryginału?

Bo modele turbo nie są trenowane do tłumaczenia. Dokumentacja Whisper od OpenAI mówi, że model turbo zwraca język oryginału nawet przy zażądanym tłumaczeniu, i zaleca medium albo large. Zmień model w oknie Zamiana mowy na tekst na medium albo large, uruchom transkrypcję ponownie, a angielskie tłumaczenie powinno się pojawić.

Dlaczego Subtitle Edit Whisper nie daje tekstu albo zgłasza błąd?

Zwykle brakuje silnika albo modelu, plik usunął antywirus albo zabrakło pamięci GPU. Sprawdź, czy oba są pobrane, przeczytaj dziennik konsoli na dole okna i wybierz mniejszy model, jeśli CUDA zgłasza brak pamięci. Subtitle Edit nazywa też brakujący plik silnika i proponuje pobranie go ponownie.

Czy Subtitle Edit potrafi transkrybować wiele filmów naraz?

Tak. Tryb wsadowy pozwala dodać kilka plików wideo i kliknąć Transkrybuj, a obok każdego wideo zapisuje plik SRT. Opcja dodania kodu języka do nazwy pliku daje nazwy w rodzaju video.en.srt. Jeśli jedno nagranie jest dużo trudniejsze od reszty, uruchom je jako osobną partię z większym modelem.