2025 年 3 月，DeepSRT 使用者破萬的那篇貼文裡，我們寫了這句話：
也會教大家如何結合 whisper 更方便地做出自己喜歡的字幕，進而完整覆蓋那些沒有提供 CC 字幕的影片。
這句話躺了快一年半。1.3.0 把它兌現了——但用的不是 whisper。
當年的答案是 whisper，為什麼最後不是
語音辨識從來不是難點，難的是拿到音訊。DeepSRT 的影片跑在 YouTube 官方播放器裡，而那個播放器的音訊，沒有任何 API 可以接出來。剩下的路都是死路：
抓系統音訊？要螢幕錄製權限——為了一個使用者沒有要求的功能，彈出 macOS 最嚇人的授權對話框。下載音訊串流？我們公開承諾過 DeepSRT 不是下載器，不下載、不轉換、不儲存任何影音。為了一個功能打破架構的底線，不值得。
所以 whisper 這條路的問題，從來不是辨識能力，是拿不到音訊，而我們不願意用骯髒的方式拿。
答案簡單得有點掃興
Gemini 可以直接接受一個公開的 YouTube 網址，當成影片輸入。
就這樣。App 把網址交出去，模型自己去看影片，回來一份帶時間戳的逐字稿。不下載、不轉換、不儲存——跟「沒有伺服器」的架構完全一致，用的還是你自己的金鑰。
量測改寫了設計，兩次
第一次量測：對同一支影片，只要摘要花 19,393 個 input token，要完整逐字稿花 19,431 個——幾乎一模一樣。影片的攝取是固定成本，你問什麼都一樣。結論很清楚：絕不能為了摘要和逐字稿各打一次影片呼叫，那是付兩次錢買同一支影片。
於是我們把長影片切成十分鐘的視窗，求穩、求漸進顯示。然後第二次量測來了：每個視窗都會重新攝取整支影片。對一支 28 分鐘的影片只要求最後 8 分鐘，帳單仍然是全片的 156,762 個 token。切成三段，就是付三倍。
我們自己寫在提交紀錄裡的設計理由，被自己的量測推翻了。最終版本反過來：先樂觀地一次要整支影片，只在輸出真的中斷時，才對缺掉的範圍補跑。成本降到原本的三分之一。
模型會擺爛，而且方式很具體
兩個現場故事。
要求一支長影片的最後一段，模型有時回來的東西根本不是 SRT——道歉、描述影片、就是不給字幕。修法是重試一次，把格式要求講得更兇：「不要解釋、不要道歉，從 1 那一行開始輸出。」就好了。
一次要整支影片，它給了 28 分鐘 60 個字幕塊——平均每個 29 秒。文字都對，摘要完全不受影響，但當即時字幕完全不能用：一大段字掛在畫面上半分鐘。加一句「每個字幕塊最多 8 秒」，變成 207 個，平均 8.3 秒。多花的錢？約 0.01 美金。
誠實的價格標
一支半小時、完全沒有字幕的影片，用你自己的 Gemini 金鑰轉錄一次，大約 0.05 美金（目前這個功能在 Google 那邊還是預覽階段，實際免費）。
這個功能預設關閉。它會花你自己的 AI 額度，所以它是一個你自己打開的開關——設定 > 沒有字幕的影片——而且轉錄進行時，進度提示會明說它正在做什麼。我們不代墊成本，也不隱藏成本，從第一天就是這樣。
那篇破萬貼文的最後一句是「我們破兩萬的時候再見」。兌現了。「覆蓋沒有 CC 字幕的影片」，現在也兌現了。
DeepSRT 一次購買、沒有訂閱，Mac App Store 下載。