AI 自動上字幕教學：怎麼幫影片加字幕

AI 字幕產生器到底做了什麼

自動字幕來自自動語音辨識（ASR）。模型聽取音軌，寫出每一句話，並標上開始和結束時間。Whisper 是知名的開源例子：論文提到它用了 68 萬小時的多語言音訊訓練，所以同一個模型能辨識多種語言，也能翻譯成英文。想了解模型內部如何運作，請看我們的語音轉文字原理指南。

ASR 的輸出只是草稿，不是完成的字幕。YouTube 自己的自動字幕說明頁就提到，品質可能不一，並請創作者務必檢查，修正沒有正確辨識的地方。想要好字幕，還要補上逐字稿沒有的三個步驟：修正錯誤、把文字拆成好讀的行數、替每一行安排恰當的時間，讓觀眾讀得完。

從影片產生字幕，常見的做法有三種：直接用平台內建功能（YouTube、TikTok 和 Instagram 都有某種形式的自動字幕）、用剪輯軟體（CapCut 或剪映、Premiere Pro、DaVinci Resolve、Descript），或是用獨立的轉錄工具匯出字幕檔。獨立的字幕檔可控性最高，也能在每個平台重複使用。例如 cv.cm 的語音轉文字工具會在瀏覽器裡執行 Whisper，可匯出 TXT、SRT 或 VTT，音訊不會上傳。

完整流程，一步一步來

1. 從最終剪輯輸出乾淨的音軌。字幕必須和你要發布的版本一致，所以要最後再轉錄，等畫面定剪之後。
2. 用 Whisper 等級的模型轉錄。如果知道語言，請手動指定；短片或開頭有音樂的影片，自動偵測可能會猜錯。
3. 邊聽邊讀逐字稿，修正人名、品牌名、數字、專有名詞和同音字。
4. 把文字拆成字幕卡：每張一到兩行短句，在自然的語意停頓處換行。
5. 檢查時間軸：每張字幕卡要在話開始時出現，並停留到足夠讀完。
6. 針對螢幕調整樣式：字體大小、描邊或底框，以及安全區內的位置。
7. 交付：把 SRT 或 VTT 當作字幕軌上傳，或把字幕燒錄進影片，也可以兩者都做。

每行字數與閱讀速度的規則

專業的字幕規範有明確的上限，讓觀眾讀字幕時不會錯過畫面。Netflix 公開各語言的定時文字（timed text）風格指南，這些數字可供查證，適合當作起點：

英文指南也說明了斷行的位置：在標點之後、連接詞之前、介系詞之前斷行。冠詞要和名詞放在同一行，形容詞和名詞放一起，名和姓也不要拆開。

閱讀速度的規則實際上是這樣用的。一張寫著 Three things nobody tells you about captions 的字幕卡，含空格共 44 個字元。以每秒 20 個字元計算，至少要在畫面上停留 2.2 秒。如果說話的人只花了 1.5 秒，就要不是讓字幕停留更久，就是縮短文字，例如改成 Three things nobody tells you（29 個字元，約 1.5 秒）。

直式短影音的限制要比電視螢幕更嚴格。1080 像素寬的手機畫面配上大而粗的字體，每行能放的字元遠少於 42 個。實務上，一行約 20 到 30 個拉丁字元，或 8 到 12 個中文字，在手機上讀起來最舒服。許多創作者每張字幕卡只放一小句，而且常常換卡。

SRT 與 WebVTT：兩種字幕檔格式

幾乎所有平台和剪輯軟體都支援 SRT。WebVTT（VTT）是 W3C 制定的網頁字幕格式，用於 HTML 的 video 元素。兩者看起來幾乎一樣：

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 會替每張字幕卡編號，毫秒前面用逗號：00:00:01,600。
• WebVTT 的第一行是 WEBVTT，毫秒前面用句點：00:00:01.600，而且不需要卡片編號。
• WebVTT 可以在時間碼後面加上提示設定，例如 line、position 和 align，用來決定字幕卡在畫面上的位置。不過並非每個播放器都會遵守。
• 兩種檔案都請存成 UTF-8 文字檔，重音符號和中日韓文字才不會亂碼。

燒錄字幕還是外掛字幕

許多創作者兩種都做：短影音 App 用燒錄的設計感字幕，YouTube 則用乾淨的 SRT。以下的 ffmpeg 指令示範兩種做法。subtitles 濾鏡需要包含 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

在燒錄指令中，SRT 檔是畫在高 288 單位的虛擬畫布上，所以 FontSize=12 在 1920 像素高的畫面上約等於 80 像素，而 MarginV=100 會把文字從底部往上抬約三分之一。請先用一小段影片測試，再調整。

直式影片的字幕樣式

• 位置：字幕不要放在畫面下方三分之一，那裡是 App 顯示帳號名稱、說明文字和按鈕的地方。安全區的像素數值請看我們的短影音尺寸指南。
• 大小：在手機上，剪輯軟體裡看起來偏大的字通常剛剛好。請拿真的手機，用平常的握持距離確認。
• 對比：白色或黃色文字加上深色描邊或半透明底框，放在任何背景上都清楚。
• 不要擋住臉。如果說話者的臉在畫面中央，字幕請放在下巴下方，不要蓋住嘴巴。
• 一支影片只用一種樣式。卡與卡之間換字體和顏色，會讓觀眾去讀樣式而不是內容。

逐字或卡拉 OK 式字幕一次只顯示一到三個字，並標亮正在說的那個字。它需要逐字的時間戳記，Whisper 等級的工具可以產生。在節奏快的口播影片中，它能把視線留在螢幕上，但長篇解說會讓人疲累。建議用在開頭鉤子和金句，其他部分用一般的兩行字幕卡。

字幕翻譯

請翻譯修正後的原文字幕，不要翻譯原始逐字稿。保留相同的字幕卡時間，逐卡翻譯，這樣每一行譯文仍然對得上說話的時刻。

翻譯後長度會改變。表達同樣的意思，西班牙文和德文通常比英文需要更多字元；中文和日文用的字數較少，但閱讀速度上限低得多。翻譯完之後，請對照目標語言的每行字數和閱讀速度限制逐卡檢查，必要時縮短。機器翻譯的字幕檔是快速的初稿，發布前最好請母語者讀過一遍。

自動字幕的常見錯誤與限制

• 人名和新詞：模型會寫成最接近的常見詞。請準備一份人名和品牌拼法的清單，到逐字稿中搜尋核對。
• 數字：每個價格、日期和度量值都要對照實際說的內容。字幕裡的數字寫錯，比沒有字幕更糟。
• 音樂和雜音：背景音樂、人群雜音和多人同時說話都會降低準確度。如果可以，請轉錄把音樂調小的版本。
• 靜默中冒出文字：實務上，ASR 模型有時會在長時間靜默或純音樂的段落寫出字來。請刪掉出現在沒人說話處的字幕卡。
• 混合語言：中途切換語言的影片，可能只有其中一種語言被轉錄。請分段，並手動指定每段的語言再轉錄。
• 無障礙：給聽障與重聽觀眾的字幕還應標示重要的聲音，例如［關門聲］，這是 ASR 不會自動加上的。