自动识别字幕配音的技术主要是通过计算机视觉和语音识别技术实现的。具体的步骤如下：

1. 视频预处理：将需要识别字幕配音的视频提取出音频和视频帧序列。

2. 视频帧分析：对每一帧视频进行特征提取和分析，提取出语音人物的面部特征，如嘴唇形状、舌头运动、声带振动等。

3. 语音识别：对提取出的音频进行语音识别，将语音转化为文本，并确定文本中的说话者。

4. 字幕识别：对视频中的字幕进行识别并提取出字幕文本。

5. 文本对齐：将语音文本和字幕文本进行对齐，确定字幕与语音的关系。

6. 配音识别：根据字幕与语音的对齐关系，将语音中相关的配音提取出来。

7. 输出结果：将识别出的配音输出为字幕、翻译或其他形式。

需要注意的是，自动识别字幕配音的技术仍然处于研究阶段，准确度和稳定性仍有待提高。

自动识别字幕配音需要使用语音识别技术和自然语言处理技术。具体步骤如下：

1.采集音频数据: 从视频中提取音频，或者直接录制音频，得到需要识别的音频数据。

2.语音识别: 使用语音识别技术将音频转换为文本，即将听到的语音转写成文字，这一步将识别到音频中的基本单元，比如音素或者拼音。

3.文本匹配: 将转换好的文本与字幕文本进行匹配，通过计算文本相似度的方法，可以找到最匹配的字幕文本。

4.校对与纠错: 对匹配到的字幕文本进行校对与纠错，消除可能存在的语言错误或者技术上的误差。

5.输出或展示: 将识别出来的字幕文本进行输出或展示，让用户能够清晰地看到字幕配音。

需要注意的是，自动识别字幕配音的准确度取决于语音识别技术的准确率和适应性，以及文本匹配算法的精度和效率。此外，不同语音和口音的识别也可能影响识别结果的准确性。