请问各位佬，我做了一个PPT，然后每页PPT都有对应的讲课稿的音频。音频使用minmax clone的声音生成的。然后用ffmpeg生成视频。 
我想给视频加上字幕，用Whisper识别音频，生成对应视频的字幕文件，但是这个方法问题在于字幕和视频播放的声音不同步，时间差特别大。 
想请教各位佬，有没有比较好用的给视频配上同步音频字幕的方法，谢谢。