Subtitle Generator — Auto-Generate Subtitles from Video or Audio (Free)
Upload any video or audio file. Get accurate subtitles in 100+ languages with word-level timestamps. Download as SRT, VTT, or TXT — or burn in with custom styling. 30 minutes free, no credit card.
30 min free · SRT / VTT / TXT / burn-in · 100+ languages · Whisper Large-v3
TL;DR
VexaScribe's subtitle generator turns any audio or video into SRT, VTT, TXT, or burned-in subtitles using Whisper Large-v3 in 100+ languages. 30 minutes free, no credit card. Paid plans from $2/mo (200 min) to $20/mo (6,000 min) — roughly $0.60 to $0.20 per hour of media.
Subtitle vs caption — which do you actually want?
Most tools use the terms interchangeably. The technical difference matters for accessibility compliance.
| Format | What it contains | Use when |
|---|---|---|
| Subtitles | Dialogue only — for viewers who can hear the audio | Language translation, sound-off social feeds |
| Closed captions | Dialogue + [music], [applause], speaker labels | ADA / WCAG accessibility compliance |
For the full breakdown of ADA, WCAG 2.1 SC 1.2.2/1.2.4, and DOJ Title II 2024, see What is closed captioning?
How the subtitle generator works
Upload
Drag-and-drop MP3, WAV, M4A, FLAC, MP4, MOV, MKV, or WebM. Files up to 5GB.
Generate
Whisper Large-v3 transcribes and produces word-level timestamps in 100+ languages. Processing takes 20–40% of the media duration.
Download or burn in
Export SRT, VTT, or TXT — or burn subtitles into the video with your font, size, color, and position.
Which format do I need for my platform?
Every platform accepts subtitles differently. Instagram and YouTube Shorts don't support sidecar SRT on native uploads — you have to burn in. Long-form and desktop platforms prefer SRT.
| Platform | Delivery | Notes |
|---|---|---|
| YouTube long-form | SRT | Upload in YouTube Studio → Subtitles. VTT also accepted. |
| YouTube Shorts | Burn-in | Sidecar SRTs are cropped by the vertical UI — burn in for reliability. |
| Instagram Reels | Burn-in | Instagram does not accept SRT upload on Reels (help.instagram.com). Burn in only. |
| TikTok | Burn-in OR SRT base | TikTok caption editor accepts an SRT base; most creators burn in for style control. |
| LinkedIn native video | SRT | Upload SRT in the LinkedIn video composer. |
| Facebook video | SRT | Upload via Creator Studio → Captions. |
| Vimeo | SRT or VTT | Vimeo player supports both; SRT is simplest. |
| Podcast platforms | TXT | Use TXT for show notes and episode transcripts (Apple Podcasts, Spotify). |
| Corporate LMS | SRT or VTT | Most LMS platforms (Cornerstone, Docebo, Canvas) accept both. VTT if you need positioning. |
For a deeper dive on the SRT format, see what is an SRT file? For YouTube specifically, YouTube Studio SRT upload is documented at support.google.com/youtube. Already have an SRT and just need to translate it to another language? Use the dedicated subtitle translator — timestamps preserved, 133 target languages.
Customizing burned-in subtitle style
When you burn subtitles into the video, you control every visual attribute. Common presets for short-form:
- • Font: Inter, Roboto, Montserrat, or Impact (broadcast-style). Custom fonts by upload.
- • Size: 24–48pt on a 1080×1920 vertical frame; 32–60pt for aggressive social styles.
- • Color: White text with a black outline, or brand-color solid fill with drop shadow.
- • Position: Bottom third (default), centered, or upper-third to avoid TikTok/Reels UI overlays.
- • Karaoke / word-highlight: Highlight the active word as it's spoken — matches CapCut and VEED style presets.
- • Background: Transparent, solid, or semi-transparent pill behind each cue.
Language coverage and accuracy
We use OpenAI Whisper Large-v3, which covers 100+ languages. Accuracy varies by language and audio quality. The table below shows word error rate (WER) on the model's benchmark set — lower is better.
| Language | Whisper Large-v3 WER |
|---|---|
| English | ~4.2% |
| Spanish | ~4% |
| French | ~4% |
| Italian | ~5% |
| German | ~5% |
| Portuguese | ~5% |
| Dutch | ~6% |
| Polish | ~6% |
| Russian | ~6% |
| Turkish | ~7% |
| Japanese | ~7% |
| Korean | ~7% |
| Ukrainian | ~7% |
| Mandarin | ~8% |
| Arabic | ~8% |
Source: Radford et al., Robust Speech Recognition via Large-Scale Weak Supervision, arXiv:2212.04356, Table 5. WER measured on FLEURS/CommonVoice benchmark subsets. Real-world audio (background noise, heavy accents, technical vocabulary) will show higher WER.
Editing subtitles after generation
Every subtitle project opens in a full editor with the video preview synced to the cues. You can:
- • Fix misheard words with click-to-edit — timestamps update automatically.
- • Merge or split cues at word boundaries for readability.
- • Rename speakers and preserve speaker labels through SRT export.
- • Adjust cue duration to match speaker delivery (dramatic pauses, fast dialogue).
- • Add non-speech notation like [applause] or [music] for accessibility compliance.
- • Re-export as SRT, VTT, TXT, or a re-burned MP4 without regenerating from scratch.
Bulk generation
Upload up to 50 files at once for batch processing on any paid plan. Useful for course creators subtitling a full module, agencies processing a client backlog, or podcasters generating show-note transcripts across an entire season. Each file lands in your library as an independent project with its own editor and export options.
When to hire a human transcriptionist instead
AI subtitle generators land at 92–96% accuracy on clean audio. For contexts where the remaining 4–8% is unacceptable, use a human service:
- • Broadcast television — FCC accuracy standards require near-perfect captions.
- • Legal proceedings — court transcripts and depositions need certified accuracy.
- • Medical dictation — drug names and procedures where a single misheard word has clinical consequences.
- • Named entities under legal review — patents, contracts, regulatory filings.
A common workflow: run AI generation first (fast + cheap), then hand the SRT to a human editor for a review pass. Services like Rev and Happy Scribe offer human review at $1.50–$2.00 per audio minute — see our comparison of subtitle tools for details.
Frequently asked questions
สร้างคำบรรยายจากไฟล์เสียงได้อย่างไร?
อัปโหลดไฟล์เสียงหรือวิดีโอของคุณไปยัง VexaScribe โดยการลากวางหรือใช้ตัวเลือกไฟล์ ระบบถอดเสียง AI ของเราจะประมวลผลไฟล์ ตรวจจับคำพูดพร้อมไทม์สแตมป์ที่แม่นยำ และสร้างไฟล์คำบรรยายให้โดยอัตโนมัติ เมื่อเสร็จแล้ว สามารถส่งออกเป็นรูปแบบ SRT หรือ VTT ได้ ซึ่งรองรับทั้ง YouTube, TikTok, LinkedIn และโปรแกรมตัดต่อวิดีโอส่วนใหญ่ กระบวนการทั้งหมดใช้เวลาเพียงไม่กี่นาทีสำหรับไฟล์ส่วนใหญ่
VexaScribe รองรับรูปแบบคำบรรยายอะไรบ้าง?
VexaScribe ส่งออกคำบรรยายในรูปแบบ SRT (SubRip) และ VTT (WebVTT) โดย SRT เป็นรูปแบบที่รองรับกว้างขวางที่สุด ใช้งานได้กับ YouTube, Premiere Pro, DaVinci Resolve, Final Cut Pro และแพลตฟอร์มโซเชียลมีเดียส่วนใหญ่ ส่วน VTT เป็นรูปแบบเว็บเนทีฟที่ใช้กับ HTML5 video player และ YouTube รวมถึงแพลตฟอร์มอื่น ๆ รองรับเช่นกัน
คำบรรยายที่สร้างด้วย AI มีความแม่นยำแค่ไหน?
ความแม่นยำขึ้นอยู่กับคุณภาพเสียง เสียงรบกวนรอบข้าง และความชัดเจนของผู้พูด สำหรับการบันทึกเสียงที่ชัดเจนและมีเสียงรบกวนน้อย VexaScribe ให้ความแม่นยำสูงเหมาะสำหรับการใช้งานระดับมืออาชีพ คุณสามารถตรวจสอบและแก้ไขคำบรรยายในโปรแกรมแก้ไขในตัวก่อนส่งออกได้ สำหรับเนื้อหาที่มีสำเนียงหนักหรือศัพท์เฉพาะทาง แนะนำให้ตรวจสอบอีกครั้งก่อนใช้งาน
สามารถสร้างคำบรรยายในภาษาอื่น ๆ ได้ไหม?
ได้ VexaScribe สร้างคำบรรยายได้ใน 99 ภาษา รวมถึงอังกฤษ สเปน ฝรั่งเศส เยอรมัน โปรตุเกส อิตาลี จีน ญี่ปุ่น เกาหลี อาหรับ ฮินดี และอีกมากมาย ระบบจะตรวจจับภาษาจากเสียงโดยอัตโนมัติ หรือคุณสามารถระบุภาษาด้วยตนเองเพื่อผลลัพธ์ที่ดีที่สุด
ไฟล์คำบรรยาย SRT กับ VTT ต่างกันอย่างไร?
SRT (SubRip) เป็นรูปแบบคำบรรยายที่ใช้กันแพร่หลายที่สุด เรียบง่าย ใช้ได้ทั่วไป และรองรับโดยแพลตฟอร์มวิดีโอและโปรแกรมตัดต่อแทบทุกตัว ส่วน VTT (WebVTT) เป็นรูปแบบเว็บเนทีฟรุ่นใหม่ที่รองรับการจัดรูปแบบเพิ่มเติม เช่น สีตัวอักษรและตำแหน่งการแสดงผล สำหรับการใช้งานทั่วไป SRT เป็นตัวเลือกที่ปลอดภัยกว่า เลือก VTT หากต้องการเล่นบนเว็บหรือต้องการปรับแต่งรูปแบบ
สามารถแก้ไขคำบรรยายก่อนดาวน์โหลดได้ไหม?
ได้ หลังจากถอดเสียงเสร็จ คุณสามารถตรวจสอบและแก้ไขข้อความทั้งหมดในโปรแกรมแก้ไขในตัวของ VexaScribe แก้ไขคำที่ผิด ปรับไทม์มิ่ง เปลี่ยนชื่อผู้พูด แล้วส่งออกเวอร์ชันที่แก้ไขแล้วเป็น SRT หรือ VTT ทำให้คุณได้คำบรรยายคุณภาพระดับมืออาชีพโดยไม่ต้องจับเวลาด้วยตนเอง
สามารถอัปโหลดไฟล์วิดีโอและเสียงรูปแบบใดได้บ้าง?
VexaScribe รองรับไฟล์เสียงทุกรูปแบบที่นิยม (MP3, WAV, M4A, FLAC, OGG, AAC) และไฟล์วิดีโอ (MP4, MOV, AVI, MKV, WebM) สำหรับไฟล์วิดีโอ ระบบจะแยกแทร็กเสียงออกมาโดยอัตโนมัติ รองรับไฟล์ขนาดสูงสุด 5GB
การสร้างคำบรรยายมีค่าใช้จ่ายเท่าไร?
การสร้างคำบรรยายใช้ราคาเดียวกับการถอดเสียง ทดลองใช้ฟรีได้ 30 นาที แผนชำระเงินเริ่มต้นที่ $2/เดือน สำหรับ 200 นาที (Starter), $5/เดือน สำหรับ 1,000 นาที (Basic), $10/เดือน สำหรับ 2,500 นาที (Pro) และ $20/เดือน สำหรับ 6,000 นาที (Studio) วิดีโอความยาว 1 ชั่วโมงมีค่าใช้จ่ายประมาณ $0.30 ในแผน Basic
Comparing tools?
If you're shopping around, we ranked 12 subtitle generators (including ours, honestly at #3) on accuracy, free-tier reality, format support, and per-hour cost.
See the 12-tool ranking →