JSON 转 SRT 转换器

什么是 JSON 转 SRT 转换器？

OpenAI Whisper、AWS Transcribe、Google Cloud Speech-to-Text 等语音转文字服务通常会导出 JSON，而不是直接生成可用字幕。这些 JSON 里可能包含时间、单词、句子、候选结果以及说话人信息。这个转换器会读取这些结构，提取开始时间、结束时间和文本，并生成标准的 SubRip/SRT 字幕文件。

如何把 JSON 转换为 SRT？

原始 JSON 不能直接上传到 YouTube，也不适合直接导入 Adobe Premiere、DaVinci Resolve 或 Final Cut Pro。它需要先变成线性的字幕轨道：序号、开始时间、结束时间和可见文本。本工具会自动完成这个步骤。

• 上传 JSON：选择来自 Whisper、AWS、Google 或类似语音转文字系统的转写文件。
• 识别结构：工具会查找段落、单词列表、开始/结束时间、文本字段以及可选的说话人字段。
• 导出 SRT：识别到的片段会被排序、编号，并保存为标准 .srt 文件。

示例：JSON 输入到 SRT 输出

这不是一个只支持单一格式的小工具，而是展示了真实的 API 数据结构。你可以快速判断自己的 JSON 是否类似，以及为什么它可以转换成有效的 SRT。

Whisper JSON 转 SRT

Whisper 导出的文件通常包含 segments 数组。每个元素一般有 start、end 和 text，非常适合直接映射为 SRT 字幕块。

{
  "segments": [
    { "start": 0.00, "end": 2.40, "text": "欢迎观看这个视频。" },
    { "start": 2.40, "end": 5.10, "text": "今天我们演示整个工作流程。" }
  ]
}

1
00:00:00,000 --> 00:00:02,400
欢迎观看这个视频。

2
00:00:02,400 --> 00:00:05,100
今天我们演示整个工作流程。

AWS Transcribe JSON 转 SRT

AWS Transcribe 通常会在 results.items 中返回单词和标点。工具会把这些词级数据组合成更易读的字幕块，并可保留已有的说话人标签。

{
  "results": {
    "items": [
      { "type": "pronunciation", "start_time": "0.00", "end_time": "0.55", "alternatives": [{ "content": "你好" }], "speaker_label": "spk_0" },
      { "type": "pronunciation", "start_time": "0.56", "end_time": "1.10", "alternatives": [{ "content": "Maik" }], "speaker_label": "spk_0" },
      { "type": "punctuation", "alternatives": [{ "content": "。" }] }
    ]
  }
}

1
00:00:00,000 --> 00:00:01,100
spk_0: 你好 Maik。

Google Speech-to-Text JSON 转 SRT

Google Speech-to-Text 通常把单词存放在 results[].alternatives[].words[] 中。开始和结束时间常以带 s 后缀的秒数表示，例如 1.200s。

{
  "results": [
    {
      "alternatives": [
        {
          "words": [
            { "startTime": "0s", "endTime": "0.700s", "word": "这样", "speakerTag": 1 },
            { "startTime": "0.700s", "endTime": "1.400s", "word": "可以", "speakerTag": 1 }
          ]
        }
      ]
    }
  ]
}

1
00:00:00,000 --> 00:00:01,400
Speaker 1: 这样可以

支持字段与自动结构识别

JSON 是数据格式，不是字幕格式。因此不同转写服务可能使用完全不同的字段名。转换器会检查常见的字段变体；即使文件不完全符合 Whisper、AWS 或 Google 的结构，也会尝试搜索嵌套数组。

SRT 文件中的说话人标签

很多转写服务会通过 speaker、speaker_label、speakerTag 或类似字段提供说话人信息。开启“包含说话人标签”后，转换器会把这些信息直接写入字幕文本。

SRT 本身没有专门的说话人字段。因此实际使用中，通常把说话人作为文本前缀保存。这对采访、播客、会议、课程和客服录音非常实用。

1
00:00:00,000 --> 00:00:02,200
Speaker 1: 欢迎开始这次对话。

2
00:00:02,300 --> 00:00:04,800
Speaker 2: 谢谢邀请。

服务商与常见 JSON 结构

下表展示了工具重点识别的数据结构。此外，转换器也会尝试自动查找包含开始时间、结束时间和文本的通用数组。

我的 JSON 数据安全吗？

安全。转换过程通过 JavaScript 在你的浏览器本地完成，JSON 文件不会上传到服务器。这很重要，因为转写内容常包含内部会议、客户资料、草稿脚本或尚未发布的视频内容。

自动 JSON 识别的限制

只有当 JSON 文件中包含可用的时间信息时，工具才能生成字幕片段。没有开始和结束时间的纯文本 JSON 无法可靠转换为 SRT，因为 SRT 必须有时间戳。如果文件只有文本，建议使用 TXT 转 SRT 工具，或之后在 Studio 中同步。