AI字幕怎么加：给视频自动生成字幕的完整流程

AI 字幕生成器到底做了什么

自动字幕来自自动语音识别（ASR）。模型听音轨，把说出的话写成文字，并给每一句标上起止时间。Whisper 是一个有名的开源例子，其论文介绍它用 68 万小时的多语言音频训练，所以一个模型就能转写多种语言，还能把它们翻译成英文。想了解模型内部是怎么工作的，可以看我们的语音转文字原理指南。

ASR 的输出只是草稿，不是成品字幕。YouTube 官方帮助页在介绍自动字幕时就说，质量可能参差不齐，请创作者务必检查，并修正转写不正确的地方。好字幕在原始转写之外还要三步：纠正错误、把文字拆成易读的短行、给每一行设好时间让观众来得及看完。

从视频生成字幕，常见有三种方式：用平台自带功能（YouTube、TikTok、Instagram 都有某种形式的自动字幕）；用剪辑软件（剪映、Premiere Pro、DaVinci Resolve、Descript）；或者用单独的转写工具导出字幕文件。单独的文件最可控，也能在所有平台复用。例如 cv.cm 的语音转文字工具直接在浏览器里运行 Whisper，可导出 TXT、SRT 或 VTT，音频不会上传。

完整流程，一步一步来

1. 从最终剪辑版本导出干净的音轨。字幕必须和要发布的成片一致，所以转写放在最后，等画面定稿之后再做。
2. 用 Whisper 类模型转写。如果知道语言，就手动指定；短视频或以音乐开头的视频，自动识别语言可能会猜错。
3. 边听边读转写稿。改正人名、品牌名、数字、专业词汇和同音词。
4. 把文字拆成字幕卡片：每张一到两行短句，在自然的语义停顿处断开。
5. 检查时间轴：每张卡片在话音开始时出现，停留的时间足够读完。
6. 设置适合屏幕的样式：字号、描边或底框，以及放在安全区内的位置。
7. 输出：把 SRT 或 VTT 作为字幕轨上传，或者把字幕压制进视频，也可以两者都做。

每行字数与阅读速度的标准

专业字幕规范会定下明确的上限，让观众既能读完字幕，又不错过画面。Netflix 为各语言发布了时间文本（timed text）风格指南，下面这些数字可查证，适合作为起点：

英文指南还说明了怎么断行：在标点之后、连词之前、介词之前断开；冠词要和名词放在一起，形容词和名词放在一起，名和姓放在一起。

阅读速度规则在实际中是这样用的。一张写着 Three things nobody tells you about captions 的卡片含空格共 44 个字符，按每秒 20 个字符算，至少要在屏幕上停留 2.2 秒。如果说话人 1.5 秒就说完了，要么让卡片多停一会儿，要么缩短文字，比如改成 Three things nobody tells you（29 个字符，约 1.5 秒）。

竖屏短视频的限制要比电视屏幕更严。1080 像素宽的手机画面配上大号粗体字，每行能放的字符远少于 42 个。实际中，一行约 20 到 30 个拉丁字符，或 8 到 12 个汉字，在手机上读起来最舒服。很多创作者每张卡片只放一小句，并且频繁切换。

SRT 与 WebVTT：两种字幕文件格式

几乎所有平台和剪辑软件都支持 SRT。WebVTT（VTT）是 W3C 制定的网页字幕格式，用于 HTML 的 video 元素。两者看起来几乎一样：

SRT (file: captions.srt)

1
00:00:00,000 --> 00:00:01,600
Three things nobody tells you

2
00:00:01,600 --> 00:00:03,400
about auto captions.

WebVTT (file: captions.vtt)

WEBVTT

00:00:00.000 --> 00:00:01.600
Three things nobody tells you

00:00:01.600 --> 00:00:03.400 line:70%
about auto captions.

• SRT 给每张卡片编号，毫秒前面用逗号：00:00:01,600。
• WebVTT 以 WEBVTT 这一行开头，毫秒前面用句点：00:00:01.600，不需要卡片编号。
• WebVTT 可以在时间码后面附带 line、position、align 等提示设置来指定字幕在屏幕上的位置，但并非所有播放器都支持。
• 两种文件都存成 UTF-8 文本，这样重音字母和中日韩文字才不会乱码。

硬字幕还是外挂字幕

很多创作者两种都做：给短视频 App 用带样式的硬字幕，给 YouTube 用干净的 SRT。下面的 ffmpeg 命令分别演示这两种方式。subtitles 滤镜需要带 libass 的 ffmpeg 版本。

# Burn captions into a 1080x1920 video (white text, black outline, raised above the bottom UI)
ffmpeg -i final.mp4 \
  -vf "subtitles=captions.srt:force_style='FontName=Arial,FontSize=12,Bold=1,PrimaryColour=&H00FFFFFF,OutlineColour=&H00000000,BorderStyle=1,Outline=2,Alignment=2,MarginV=100'" \
  -c:v libx264 -crf 18 -pix_fmt yuv420p -c:a copy captioned.mp4

# Add a soft caption track to an MP4 without re-encoding the video
ffmpeg -i final.mp4 -i captions.srt -map 0 -map 1 -c copy -c:s mov_text \
  -metadata:s:s:0 language=eng soft_captions.mp4

压制命令里，SRT 字幕画在一块高 288 个单位的虚拟画布上，所以在 1920 像素高的画面上 FontSize=12 大约是 80 像素，MarginV=100 会把文字从底部抬高大约三分之一。先拿一小段视频试一下，再调整。

竖屏视频的字幕样式

• 位置：字幕要避开底部三分之一，那里是 App 显示账号名、文案和按钮的地方。安全区的具体像素见我们的短视频尺寸指南。
• 大小：在手机上，剪辑软件里看着偏大的字往往刚好。请在真机上、拿到手臂长度的距离检查。
• 对比度：白色或黄色文字配深色描边或半透明底框，在任何背景上都清楚。
• 别挡住脸。如果说话人的脸在画面中间，字幕放在下巴下方，不要盖在嘴上。
• 一条视频一种样式。字体和颜色在卡片之间换来换去，观众会去看样式而不是看内容。

逐字或卡拉 OK 式字幕每次显示一到三个字，并高亮正在说的那个字。它需要词级时间戳，Whisper 类工具可以生成。这种字幕在节奏快的口播里能让视线一直停在屏幕上，但长篇讲解看起来会累。用在开头钩子和金句上，其余部分用普通的两行卡片。

翻译字幕

要翻译的是校对好的源语言字幕，不是原始转写稿。保持卡片的时间码不变，一张一张地翻译，这样每一行译文仍然对应它被说出的那一刻。

翻译会改变长度。同样的意思，西班牙语和德语通常比英语需要更多字符，而中文和日语字符更少，但阅读速度上限也低得多。翻译完之后，要对照目标语言的每行字数和阅读速度限制逐张检查，需要的话就删减。机器翻译出的字幕文件可以作为快速初稿，发布前最好让懂这门语言的人通读一遍。

自动字幕常见错误与局限

• 人名和新词：模型会写成最接近的常见词。准备一份人名和品牌拼写清单，并在转写稿里搜索核对。
• 数字：每个价格、日期和数值都要对照原话检查。字幕里的数字错了，比没有字幕还糟。
• 音乐和噪音：背景音乐、人群噪音和多人同时说话都会降低准确率。如果可以，转写时用降低音乐音量的版本。
• 静音处出字：实际中，ASR 模型有时会在长时间静音或纯音乐段落里写出文字。要删掉出现在没人说话处的卡片。
• 多语言混杂：中途切换语言的视频，可能只会按其中一种语言转写。把它拆开，每一段手动指定语言再转写。
• 无障碍：给听障观众看的字幕还应标注重要的声音，比如[关门声]，ASR 不会自动加上这些。