字幕
文字起こし → Agent校正 → 手動確認 → 焼き付け
コアフロー(合計約8~15分、手動確認含む)
1. 音声抽出 + アップロード ⏱ ~1分
↓
2. 火山引擎文字起こし(ホットワード) ⏱ ~2分
↓
3. Agent自動校正 ⏱ ~3~5分
↓
4. 手動確認 ⏱ ユーザー次第
↓
5. 字幕焼き付け ⏱ ~1~2分
Step 1: 音声抽出とアップロード
# 音声抽出
ffmpeg -i "video.mp4" -vn -acodec libmp3lame -y audio.mp3
# uguu.se にアップロード(一時ファイルホスティング)
curl -s -F "files[][email protected]" https://uguu.se/upload
# 戻り値 URL 例: https://o.uguu.se/xxxxx.mp3
Step 2: 火山引擎文字起こし(ホットワード)
文字起こしスクリプトは自動的に辞書をホットワードとして読み込み、認識精度を向上させます。
# 辞書の場所: /Users/chengfeng/Desktop/AIos/剪辑Agent/.claude/skills/字幕/词典.txt
# スクリプトが自動的に読み込みます
bash ../剪口播/scripts/volcengine_transcribe.sh "https://o.uguu.se/xxxxx.mp3"
辞書形式(1行1語):
skills
Claude
Agent
成峰
剪辑skills
claude code
Step 3: Agent自動校正
3.1 タイムスタンプ付き字幕の生成
const result = JSON.parse(fs.readFileSync('volcengine_result.json'));
const subtitles = result.utterances.map((u, i) => ({
id: i + 1,
text: u.text,
start: u.start_time / 1000,
end: u.end_time / 1000
}));
fs.writeFileSync('subtitles_with_time.json', JSON.stringify(subtitles, null, 2));
3.2 Agentによる手動校正(スクリプトは使用しない)
文字起こし後、Agentは字幕を1行ずつすべて読み、以下の問題を手動で校正する必要があります。
よくある誤認識のルール表
| 誤認識 | 正解 | タイプ |
|---|---|---|
| 成风 | 成峰 | 同音異字 |
| 正特/整特 | Agent | 誤認識 |
| IT就 | Agent就 | 発音類似 |
| edge的叉100 | Agentx100 | 誤認識 |
| cloud code | Claude Code | 発音類似 |
| Schill/skill | skills | 発音類似 |
| 剪口拨/剪口波 | 剪口播 | 同音異字 |
| 自净化/资金化 | 自进化 | 同音異字 |
| 减口播 | 剪口播 | 同音異字 |
| 录剪 | 漏剪 | 同音異字 |
| 作为这个 | 做这个 | 同音異字 |
| 斜杠V1/斜杠v | /v | 口語表現 |
| 斜杠v点口拨 | /v.口播 | 口語+同音 |
| a p i t/APIK | API Key | 誤認識 |
| excuse | skills | 誤認識 |
| 移完了 | 剪完了 | 同音異字 |
よくある脱落文字の問題
| 原文 | 修正 | 説明 |
|---|---|---|
| 步呢是配置 | 第二步呢是配置 | 「第二」の脱落 |
| 4步就是 | 第4步就是 | 「第」の脱落 |
| 别省时间 | 特别省时间 | 「特」の脱落 |
| 这个我们的 | 这个是我们的 | 「是」の脱落 |
| 在里面看到 | 可以在里面看到 | 「可以」の脱落 |
| 跟大家处理完 | 跟大家讲完 | 不適切な表現 |
| 剪辑了逻辑 | 剪辑的逻辑 | 文法エラー |
3.3 原稿がある場合の校正
原稿やスクリプトがある場合、校正の参考に使用できますが、自動マッチング用のスクリプトは使用しないでください(文字の違いによりタイムスタンプの累積エラーが発生する可能性があります)。
Agentは以下のように行う必要があります:
- 原稿を参考として読み込む
- 1行ずつ手動で比較し、違いがあれば修正する
- 確信が持てない箇所はマークし、手動確認に任せる
Step 4: 確認サーバーの起動
cd 字幕目录/
node /path/to/skills/字幕/scripts/subtitle_server.js 8898 "video.mp4"
アクセス: http://localhost:8898
機能:
- 左側に動画再生、右側に字幕リスト
- 再生時に現在の字幕を自動ハイライト
- 字幕テキストをダブルクリックで編集(タイムスタンプは変更なし)
- 再生速度変更(1x/1.5x/2x/3x)
- 字幕保存 / SRT出力 / 字幕焼き付け
- 下部に辞書クイック挿入ボタン
Step 5: 字幕焼き付け
デフォルトスタイル:22pt 金色太字、黒縁取り2px、下部中央揃え
ffmpeg -i "video.mp4" \
-vf "subtitles='video.srt':force_style='FontSize=22,FontName=PingFang SC,Bold=1,PrimaryColour=&H0000deff,OutlineColour=&H00000000,Outline=2,Alignment=2,MarginV=30'" \
-c:a copy \
-y "video_字幕.mp4"
| パラメータ | 値 | 説明 |
|---|---|---|
| FontSize | 22 | フォントサイズ |
| FontName | PingFang SC | 苹方フォント |
| Bold | 1 | 太字 |
| PrimaryColour | &H0000deff | 金色 #ffde00 |
| OutlineColour | &H00000000 | 黒縁取り |
| Outline | 2 | 縁取り幅 |
| Alignment | 2 | 下部中央揃え |
| MarginV | 30 | 下マージン |
ディレクトリ構造
output/YYYY-MM-DD_動画名/字幕/
├── 1_文字起こし/
│ ├── audio.mp3
│ └── volcengine_result.json
├── subtitles_with_time.json # コアファイル
└── 3_出力/
├── video.srt
└── video_字幕.mp4
字幕仕様
| ルール | 説明 |
|---|---|
| 1画面1行 | 改行なし、重ねなし |
| 文末に句読点なし | 你好 であって 你好。 ではない |
| 文中に句読点あり | 先点这里,再点那里 のように |
フィードバック記録
2026-01-31
- 火山引擎でホットワードをサポート、文字起こしスクリプトに統合済み
- Agentは文字起こし後に自動校正を行い、直接ユーザーに渡さないこと
- 字幕スタイル:金色太字 #ffde00、縁取り2px
- ITはよくAgentとして誤認識されるため、誤認識ルールに追加
- 重要:Agent校正は、各字幕を手動で1行ずつ読み、スクリプトによる自動マッチングは使用しないこと
- よくある誤認識ルールを17件追加(詳細は3.2節)
- 脱落文字の問題は誤認識よりも発見が難しいため、特に注意が必要