Jianying Subtitle
从剪映草稿一键提取字幕 → 自动审查改正 → 输出 SRT + 审查清单 → (可选)写回草稿。
适用场景
用户给出剪映草稿路径(典型路径如 D:/JianyingPro Drafts/<日期或项目名>/),希望:
- 把草稿里的字幕导成标准 SRT 文件
- 检查字幕里的错别字、重复字词、他/它指代错误、词语分割、语句不通顺
- 一键应用审查改正,并产出审查清单
- (可选)把改正后字幕直接灌回
draft_content.json
视频通常没有内嵌字幕或字幕是 ASR 生成的有错字,从草稿提取能拿到原始的、已对齐时间码的字幕文本。
快速使用
第一步:提取 + 审查
python scripts/process.py "<剪映草稿目录>"
输出(默认写到当前工作目录):
<草稿名>.srt— 原始 SRT 字幕<草稿名>.txt— 原始纯文本(带行号,便于人审)<草稿名>.fixed.srt— 审查改正后的 SRT<草稿名>.fixed.txt— 审查改正后的纯文本<草稿名>.review.md— 审查清单(Markdown)
可选参数:
python scripts/process.py "D:/JianyingPro Drafts/9月7日" --output-dir "E:/output"
第二步:(可选)写回草稿
python scripts/write_back.py "<剪映草稿目录>" --output-dir "<同 process.py 的输出目录>"
写回前必须关闭剪映,否则剪映下次保存会覆盖你的修改。
写回脚本会自动:
- 备份原文件为
draft_content.json.review-backup - 合并所有文本轨道的 segment 后按 start 排序,与 fixed.srt 一一对应
- 修改
materials.texts[].content.text字段 - 校验全部匹配 + 检查常见 ASR 错字残留
检测能力
精确改正(依赖预定义清单,行号是参考值)
| 类型 | 数量 | 典型例子 |
|---|---|---|
| 错别字 | 4 | 「最重要的一个月」「月」字、「的/得/地」误用 |
| 多余字 / 缺字 | 7 | 「学会到怎么样」多「到」、「最值的」少「得」 |
| 重复字词 | 2 | 「给你给它聊天」、「接着接着生成」 |
| 语病 | 2 | 主语切换突兀、句子结构断裂 |
| 断句碎片 | 1 | 跨行条目 6-7、174-175 合并 |
通用检测(不依赖预定义清单,对其他草稿同样适用)
| 检测 | 算法 | 信号强度 |
|---|---|---|
| 词语分割 | 下行以「的」开头 | 极强(几乎不会单独成句) |
| 词语分割 | 下行以「了」+ 数字开头 | 强(V了N 型补语被切断) |
| 词语分割 | 上行末尾孤立强虚词(做/把/给/和/与/但/或…)+ 短句 | 强(几乎不成词尾) |
| 词语分割 | 上行末尾孤立弱虚词(在/地/到/为/而/来/以)+ 短句 | 中(需排除合法词尾后) |
| 语句不通顺 | 单字连续重复 ≥ 3 次(排除数字) | 强 |
| 语句不通顺 | 非叠词白名单的 2-4 字重叠 | 中 |
| 语句不通顺 | 长度异常(>30 或 ≤ 2 字符) | 中 |
调参经验(MFlash 草稿,257 条):
- 句尾「了」不参与断词检测 —— 句尾带「了」是极常见句式,误报率高达 6/8; 真正需要抓的「V了N」被切断,由「下行以『了』+数字开头」这条规则覆盖。
- 数字剔除时用
\x00占位,不要替换成空格,否则「Deepseek 4.1 Flash 1017」 会因数字被抹成空格而误报「单字空格连续重复 3 次」。 - 弱虚词行尾需要词尾白名单(
可以/接下来/得到/成为/…)才能压住误报。
工作流程
第一步:定位草稿
草稿目录必须包含 draft_content.json。如果用户给的路径是草稿父目录(如 D:/JianyingPro Drafts/),需要先列出所有子目录让用户确认是哪一个。
ls "D:/JianyingPro Drafts/"
第二步:运行 process.py
脚本自动:
- 解析
draft_content.json中所有tracks[type=text]和materials.texts[](多文本轨道会被合并) - 按
target_timerange.start排序,提取(start_us, duration_us, text)三元组 - 写 SRT 和 TXT(时间单位微秒 →
HH:MM:SS,mmm) - 全局「他」→「它」(保留「其他」)
- 应用审查清单精确替换(默认 18 条通用规则;专用规则写在
scripts/process.py顶部) - 选手标签归一化:
a/b/c/d→A/B/C/D(仅在紧贴「选手」或「和」的语境下替换,不误伤bug/Harness等英文词) - 通用检测:扫描词语分割、语句不通顺
- 生成 Markdown 审查清单
第三步:汇报结果
告知用户:
- 字幕条目数
- 全局「他」→「它」数量
- 精确清单命中数
- 通用检测疑似数量
- 残留「他」检查结果(应为 0)
- 输出文件路径
通用检测会有少量误报(特别是孤立虚词规则),需向用户说明「疑似」性质,并引导人工复核。
第四步:(可选)写回草稿
如果用户希望直接灌回 draft_content.json:
- 先关闭剪映
- 让用户确认(写回是不可逆的,脚本会先备份)
- 运行
scripts/write_back.py - 启动剪映核对
扩展审查清单
如果用户指出新的错误类型,按以下格式追加到 scripts/process.py 的 REPLACEMENTS:
{'lines': [<行号>], 'old': '<原文>', 'new': '<改正>', 'kind': '<类型>', 'note': '<备注>'},
跨行条目用 \n 分隔并包含下一行的行号前缀(.txt 格式:<行号> <文本>):
{'lines': [174, 175], 'old': '旧文本\n175 续文本', 'new': '新文本\n175 续新文本', ...}
apply_replacements 会自动:
- 对
.txt用原old/new匹配 - 对
.srt去掉每行行号前缀、改为单行匹配(因为 SRT 相邻条目间是序号+时间码,无法直接拼接跨行)
修改后重跑 scripts/process.py。
规则分类建议
把规则按"通用 vs 专用"分组放在 REPLACEMENTS 顶部,便于维护:
- 通用规则:对其他草稿也适用(词语、句式、错别字形态等)
- 专用规则:与具体草稿主题/工具名绑定(仅当前草稿命中)
orca 草稿(18 条命中)的拆分示例(已写入 process.py 顶部注释):
专用(11 条,工具名/上下文绑定):
- 工具名 ASR 错字:Vscode/VOCA/尔卡 → Orca(5 条)
- 工具名 ASR 错字:Helix → Herdr(1 条)
- 工具名 ASR 错字:MACDOWN → Markdown(1 条)
- 跨行条目 043-044、085-086:Liner → Linear(3 条)
- 单行条目 016、042、078:Git Hub / Github → GitHub(3 条,跨行 085-086 已含 Git Hub→GitHub)
通用(7 条,其他草稿也适用):
- 错别字:制定 → 定制(058)
- 错别字:work tree → worktree(090、094)
- 错别字:work(多余)删除(089)
- 错别字:功能 → agent(074,上下文相关但模式可复用)
- 断句碎片:跨行 047-048 主语切换
- 跨行条目 47-48 合并
通用规则应该沉淀到 skill 默认清单,专用规则按需追加。
专用名词规范化(MFlash 草稿沉淀)
ASR 出来的模型名/产品名几乎总是大小写与空格错乱,应当按官方写法统一, 而不是逐条「看起来没问题就放过」。MFlash 草稿的规范写法:
| ASR 出现的写法 | 规范写法 |
|---|---|
Deepseek / Deepseek4.1Flash / Deepseek V4.1的Flash1017 | DeepSeek V4.1 Flash / DeepSeek V4.1 Flash 1017 |
Minimax / Mini Max / 迷你Max / M3 Flash / M3Flash | MiniMax M3.1 Flash |
GRM / GM5.3Flash / GLM5.3Flash | GLM 5.3 Flash |
三bench | Fun Bench |
three点js | three.js |
规则写法:品牌级的大小写/空格统一用 {'lines': [], ...} 全局替换;
需要补全版本号(如 M3 Flash → M3.1 Flash)或删除多余词(如「人物的和场景」)
的,用带行号的精确规则,并在 note 里写明推断依据。
注意:全局替换规则之间有先后顺序 —— 精确规则里的 old 必须写成
「前序全局规则已经执行完之后」的文本,否则匹配不上。
参赛选手标签大小写
评测类视频的字幕里,参赛选手标签统一用大写 A/B/C/D。
process.py 的 fix_contestant_labels() 用带上下文的正则处理,只改文字:
| 语境 | 规则 | 示例 |
|---|---|---|
| 字母紧跟「选手」 | (?<![A-Za-z])([abcd])(?=选手) | a选手 → A选手 |
| 「选手」紧跟字母 | (?<=选手)([abcd])(?![A-Za-z]) | 选手a → 选手A |
| 字母紧跟「和」 | (?<![A-Za-z])([abcd])(?=和) | c和d → C和d |
| 「和」紧跟字母 | 和([abcd])(?![A-Za-z]) | b和c → b和C |
该步必须放在精确替换之后执行:精确规则的 old 里写的是小写标签
(如 c选手画面和人物比a),先做大写化会让它匹配不上。
已知陷阱
- CRLF 换行:剪映 json 在 Windows 上是
\r\n,脚本内已做归一化处理。 - 「其他」一词:含「他」字,必须保留。脚本用占位符隔离。
- 跨行条目:
.txt格式:相邻条目用\n<行号> <文本>分隔,匹配模式要包含行号.srt格式:相邻条目用\n\n<序号>\n<时间码>\n<文本>分隔,不能用\n\n拼接跨行——脚本会自动改为单行匹配
- 空字幕:少数片段
content.text为空,已自动跳过。 - 草稿已被剪映同步:如果用户在剪映里手动改过字幕,原始错误可能已不存在。
- 多文本轨道:一个草稿可以含多条文本轨道(正文 + 角标/标签),
extract_subtitles已改为遍历全部轨道并合并去重。早期版本只取第一个轨道,会漏掉绝大多数字幕。 - 剪映帧对齐:
target_timerange.start和duration不是精确毫秒,会有 ±666us(30fps 下约一帧)的偏差。write_back.py用位置一一对应而非精确时间码匹配,避开此问题。 - 跨行条目匹配跨格式:见 §"扩展审查清单",
apply_replacements已处理。 - 固定错误:
.fixed.srt与.fixed.txt必须完全等价(除行号格式)。write_back.py会校验这一致性。 - ⭐ 改字会打乱字幕样式(不是换行符的问题):
剪映每条字幕的
content.styles[0].range是字符区间(正常情况下恒等于[0, len(text)])。 只改content.text而不同步区间,剪映就只对区间内的字符套用样式、其余字符回落成模板默认样式, 表现为「从某条字幕开始样式和前后不一致」(第一条被改动的字幕 = 症状起点)。write_back.py的sync_style_ranges()会把整条覆盖区间同步成[0, len(新文本)]。 materials.texts[].words会与文本脱节: 这是 ASR 的逐词时间轴(text/start_time/end_time),改字后不再对应新文本。 剪映的逐字校对面板会读到它。write_back.py的remap_words()用difflib对齐 旧→新字符区间,重新切分词并同步时间轴;整段被删的词连同其时间一起丢弃, 插入的字符并入前一个词。三个数组长度始终一致,校验不过则原样保留。
反向灌回剪映(细节)
完整步骤:
- 关闭剪映(必须;剪映运行时会覆盖你的修改)
- 运行
scripts/write_back.py "<草稿目录>" - 脚本会自动:
- 备份原
draft_content.json→draft_content.json.review-backup - 修改
materials.texts[].content.text字段(保留其它字段和键顺序) - 同步
content.styles[].range与新文本长度(否则字幕样式只覆盖前 N 个字,样式会被打乱) - 同步
materials.texts[].words逐词时间轴(否则逐字校对面板仍是旧文本) - 校验全部匹配 + 检查常见 ASR 错字残留
- 备份原
- 重启剪映核对
回滚:把 .review-backup 改回 draft_content.json。
详细字段说明见 references/jianying-schema.md。
资源
scripts/
process.py— 端到端处理:提取 + 全局他→它 + 精确清单 + 通用检测 + 生成审查清单write_back.py— 把<草稿名>.fixed.srt灌回draft_content.json
references/
jianying-schema.md— 剪映draft_content.json字段说明、时间单位、常见陷阱
验证清单
每次运行后必须确认:
- SRT 文件条目数 = 字幕片段数
- SRT 结构合法(每 3 行 + 空行:序号 / 时间码 / 文本)
- 残留「他」= 0(排除「其他」)
- 审查清单的「合计」= 实际命中数
- 通用检测项需人工复核(标注「疑似」)
- 如执行 write_back:写回后残留 ASR 错字(Vscode/VOCA/MACDOWN/Liner/Git Hub/Github/尔卡 等)= 0