看到题主的描述，简直就是一年前的我。
当时也是刚接手公司的视频，用剪映，一开始觉得它的字幕功能挺香，点一下就自动生成了。但后来一遇到多人访谈，或者稍微长一点的内部培训视频，直接抓瞎。
所有人的字幕都混在一起，一个颜色，一个格式。我得一句句听，这是老板说的，那是同事A说的，手动拆分，再调整时间轴，工作量瞬间翻倍，跟自己从头打字也差不了多少了。
后来折腾了一圈，发现一个开源免费的工具叫 AutoSubs，用到现在，基本成了我的主力字幕工具。
最牛的是，它能分清谁在说话
这是我最推荐它的原因。很多软件能识别语音，但分不清说话人。AutoSubs 能自动识别出视频里有几个人在说话，然后给每个人的字幕标上不同的颜色。
我上周刚做了一个三人对谈的视频，用它跑完，直接生成了三种颜色的字幕，谁说了哪句话一目了然。后期我只需要把颜色统一改一下，或者在前面加上“主持人：”、“嘉宾：”就行，省下的时间不是一点半点。
对于做访谈、多人对话、或者会议记录这种视频，这个功能简直是神器，基本就是从加班到准点下班的区别。
完全本地运行，公司视频也能放心用
题主是给公司做视频，这点还挺重要的。
很多在线的字幕工具，都得把视频上传到他们的服务器去处理。公司的视频，尤其是还没发布的，万一泄露了就是个大问题。
AutoSubs 是个本地软件，下载安装到你电脑上用。整个过程视频文件都不会离开你的硬盘，跟用 Word 写文档一样，断网也能用。对于处理公司内部资料，安全感直接拉满。
而且识别率也挺高的，因为它用的是 OpenAI 的 Whisper 模型，这玩意儿的准确度是公认的第一梯队。只要你视频的音质不是太差，生成的字幕基本上改改错别字就能用。
它还内置了一个简单的字幕编辑器，识别完了有哪几句不对，可以直接在里面改，不用再导回到剪辑软件里一句句调。
当然，它也有缺点。
它主要解决的是从“无”到“有”快速生成字幕的问题。
但如果你想要什么酷炫的字幕动画、艺术字效果，那还是得靠剪辑软件。
我一般的流程是，用 AutoSubs 生成最基础的 SRT 字幕文件，然后导入到 Final Cut 或者 DaVinci Resolve 里去做样式。
如果你用的是 Windows 或者 Mac，安装很简单，直接下载安装包点两下就行。
总的来说，如果你也像题主一样，被手动打字幕、对时间轴搞得头大，特别是要做访谈或多人对话视频，那这个工具值得一试。
关键是它免费、本地运行，还带说话人识别，这套组合拳下来，效率提升真的非常明显。
项目在 GitHub 上，地址：https://github.com/tmoroney/aut
