用途：将视频或音频转写为文字，并生成逐词高亮的动画字幕（卡拉OK风格），也可处理已有字幕轨道的提取、格式转换与时间调整。
主要能力：使用 whisper-ctranslate2（faster-whisper）做多语言转写，支持 99 种语言与词级时间戳；通过 FFmpeg 将 ASS/SRT 字幕烧录进视频；支持 SRT、ASS、VTT 格式互转；可提取视频内嵌字幕轨道；可调整字幕时间偏移。提供 default、minimal、bold、neon、shadow 等字幕样式，以及 TikTok/Reels、YouTube、播客等预设样式参数。
使用方式：先确认已安装 Whisper（command -v whisper-ctranslate2），并运行 bash scripts/preflight.sh "$INPUT" "$OUTPUT"。常用一键流程为 bash scripts/caption_pipeline.sh "$INPUT" "$OUTPUT" [language] [style]，language 默认 auto，style 默认 default。手动流程为：用 ffmpeg 抽取 16kHz 单声道 WAV，再用 whisper-ctranslate2 以 --word_timestamps True 输出 JSON，然后转换为带 \kf 标签的 ASS 字幕，最后用 ffmpeg -vf "ass=/tmp/captions.ass" 烧录。模型可选 tiny、base、small、medium、large-v3-turbo、large-v3，需按显存与精度需求选择。
适用场景：短视频与社交平台字幕、YouTube 视频字幕、播客或访谈字幕、已有字幕的格式整理与烧录。
限制：依赖 Whisper 与 FFmpeg 环境；转写速度与精度受模型大小和硬件（显存、compute_type）影响；ASS 颜色使用 BGR 格式；资料未提供具体收费、价格或平台支持信息。