背景：
最近开始尝试做自媒体，录点视频。刚开始就遇到了字幕的问题，于是想先搞个字幕生成工具（为了这点醋才包的这顿饺子😄）：SubGen。
这个工具用 Tauri + Rust 做外壳，把 FFmpeg 和 Whisper.cpp 集成进去，能一键把视频转成 SRT 字幕。
这篇文章记录下笔者做这个工具的过程，也分享下用到的核心组件和代码结构。
架构设计
SubGen 采用分层架构，核心组件的交互关系如下：
┌─────────────┐ ┌──────────────┐│ React UI │ │ Rust Core ││ (TypeScript)│ <----> │ (Tauri API) │└─────────────┘ └─────┬────────┘ │ ┌─────────────┴───────────────┐ │ │ ┌────▼────┐ ┌────▼────┐ │ FFmpeg │ │Whisper │ │ 提取音频 │ │ 离线识别 │ └─────────┘ └─────────┘为什么用 Tauri？
最开始笔者也考虑过 Electron，但它打包太大了（动辄 100MB 起步），而且资源占用高。后来发现 Tauri，它用 Rust 做后端，前端还是用 React 或者任意 Web 技术，这样：
- 打包后体积很小（十几 MB）。跨平台方便（Windows / macOS / Linux）。Rust 调用本地二进制（FFmpeg 和 Whisper）非常顺手。
笔者主要是用 React + TypeScript 写了一个简单的 UI，用户选视频、点按钮，剩下的活就交给 Rust。
FFmpeg：用它来“扒”音频
FFmpeg 是老牌的音视频处理工具了，笔者直接内置了一个编译好的 ffmpeg.exe/ffmpeg 到资源目录，调用它来：
- 从视频里抽出音频。统一格式（16kHz，单声道 WAV），让 Whisper 可以直接处理。
Rust 这边的调用很简单：
use std::process::Command;Command::new("resources/ffmpeg") .args(["-i", &video_path, "-ar", "16000", "-ac", "1", "audio.wav"]) .status() .expect("FFmpeg 执行失败");这样一行命令就能把视频转成标准 WAV。
Whisper.cpp：核心的离线识别
笔者选的是 Whisper.cpp，因为它比 Python 版 Whisper 更轻量，直接编译一个 whisper-cli 就能用，不需要装乱七八糟的依赖。
更重要的一点是支持CPU运行，默认4个线程，即使用 ggml-large-v3 也可以跑出来结果，只是稍微慢点。这对于没有好的显卡的童鞋很有用！
调用命令大概是这样：
whisper-cli -m ggml-small.bin -f audio.wav -osrt -otxt最后会输出一个 output.srt，直接能用。
Rust 里调用也是 Command::new() 一把梭：
Command::new("resources/whisper-cli") .args(["-m", "resources/models/ggml-small.bin", "-f", "audio.wav", "-l", "zh", "--output-srt"]) .status() .expect("Whisper 执行失败");代码结构和流程
笔者的项目大概是这样分层的：
subgen/├── src/ # 前端 React + TypeScript│ └── main.tsx # UI入口├── src-tauri/ # Tauri + Rust│ ├── commands.rs # Rust命令逻辑│ ├── resources/ # ffmpeg、whisper二进制、模型文件│ └── main.rs # 程序入口前端用 @tauri-apps/api 的 invoke 调 Rust：
import { invoke } from '@tauri-apps/api';async function handleGenerate(videoPath: string) { const result = await invoke<string>('extract_subtitles', { videoPath }); console.log('字幕生成完成：', result);}Rust 后端的核心命令：
#[tauri::command]fn extract_subtitles(video_path: String) -> Result<String, String> { // 1. 调 FFmpeg // 2. 调 Whisper.cpp // 3. 返回 SRT 路径 Ok("output.srt".to_string())}用下来的感受
整个工具现在已经能做到“拖进视频 → 等几十秒 → 出字幕”这种体验了。
几个感受：
- Tauri 真香：比 Electron 清爽太多，Rust 后端很适合做这些底层调用。FFmpeg 是万能的，直接抽音频，性能还不错。Whisper.cpp 虽然 CPU 跑慢点，但好在准确率挺高，还不用联网。
后续想做的事
- 支持批量处理视频。集成一个简单的字幕编辑功能。尝试 GPU 加速 Whisper（Metal / Vulkan）。
截图
主界面：
生成的 SRT：
如果你也想做个自己的字幕工具，可以直接参考 SubGen 的架构，自己改改就能用。
代码已开源：github.com/byteroycai/…
