概述
此技能通过 HyperFrames 叠加合成,为现有视频添加硬编码字幕。当您的源素材需要无障碍且带有样式的字幕,但无需单独的字幕轨时,请使用此技能。它通过 HTML 叠加层确定性渲染出带字幕的 MP4。
HyperFrames — 嵌入式字幕
为人物出镜或产品发布视频添加字幕/副标题。字幕模型(drop/rail/embed)及叠加法则(字幕并非预留区域)。
何时使用
- 用户希望在人物出镜视频上添加字幕/副标题
- 用户希望使用逐字字幕轨(标准下方三分之一处)
- 用户希望在主体后添加电影感嵌入式文字(高潮节拍)
- 用户希望为视频增加无障碍功能
- 用户希望为社交媒体烧录字幕(无字幕轨)
何时不使用
- 用户希望完成完整的视频工作流(请使用
hyperframes-product-launch-video) - 用户希望制作完整解说视频(请使用
hyperframes-faceless-explainer) - 用户希望字幕作为独立文件(SRT/VTT)——此技能会将字幕烧录进去
字幕模型 — Drop / Rail / Embed
| 含义 | 显示方式 | |
|---|---|---|
| drop | 填充词——嗯、啊、结巴 | 不显示 |
| rail | 默认——普通口语内容 | 干净的下方三分之一字幕,位于前景 |
| embed | 加强的高潮——标题性节拍 | 主体后一个大字(遮罩遮挡) |
Rail 承载大部分文本;Embed 是稀缺的、赢得的亮点——每个节拍最多一次,从不相邻,间隔至少一个节拍。
叠加法则
字幕行作为叠加层合成在影像之上;它不是预留区域。
- 将合成内容置于真正的垂直中心(y = H/2)。不要为了“给字幕留空间”而将内容上移。
- 内容可以延伸到画布底部。
- 避免将关键的小字可读文本(URL、法律声明)放在字幕行所在的底部 ~80px 中心区域。
- 没有机器禁止区域——通过视觉判断可读性。
工作流
1 · 生成配音 + 词时间戳
# 使用带词级时间戳的 TTS
node scripts/heygen-tts.mjs ./vo-spoken.txt -o voiceover.mp3 --words vo-words.json --voice <voice_id>
2 · 将字幕对齐到显示令牌
node scripts/align-captions.mjs --tokens script-tokens.json --words vo-words.json --out captions.json
captions.json 是字幕轨输入(显示拼写、口语时间)。
3 · 构建字幕轨
const LINES = /* captions.json 的内容 */ [
{ id: 0, end: 2.74, w: [["This", 0.0], ["week,", 0.30], ...] },
...
];
4 · 验证字幕是否存在
在配音的口语时间窗口内采样 3-4 帧,确认每帧的字幕轨都能显示可见文本。如果在任何口语间隔内的帧缺少字幕,则构建结果将不包含字幕——视为红色门禁。
反合理化表格
| 合理化 | 现实 |
|---|---|
| “我会将内容居中在 42% 处,以便留出字幕空间” | 真垂直中心(y = H/2)——字幕是叠加层 |
| “我会嵌入每个词” | Embed 是稀缺的——Rail 承载大部分文本 |
| “我会跳过词时间戳” | 音频是时钟——所有节拍时间都来自词时间戳 |
| “我会在字幕中使用音标拼写” | 字幕始终渲染显示层 |
| “我会猜测发音” | 询问用户,然后扩展词典 |
验证
- 在 3+ 个采样帧上可见字幕轨
- 显示拼写与脚本一致(非音标)
- 词时间戳与音频对齐
- 合成内容位于真垂直中心(y = H/2)
- 字幕叠加区域无关键文本