从转录生成字幕
字幕不是可选的锦上添花——它们是无障碍性的体现,能留住静音观看的用户,并且在教程中能强化精确的UI术语。本技能生成干净、时序准确的字幕文件。样式和嵌入处理由下游完成。
首先获取最准确的文本
准确性取决于起点:
- 如果存在旁白脚本,将其作为基准事实。 它在技术术语和UI标签上已经正确。将脚本与音频对齐,而不是从头重新转录。
- 否则转录音频(Whisper、平台自动字幕或任何ASR),然后根据视频进行纠正。ASR经常搞错产品名称、代码和缩写——逐一修正,确保与屏幕上的内容完全一致。
永远不要输出未经纠正的ASR结果。错误总是出现在最有价值的词汇上。
将提示与语音对齐
- 每条提示在对应台词被说出时出现,结束时消失——与语音对齐,而不是武断的时间间隔。
- 最短显示时间约1秒(即使是很短的提示),最长约7秒。超过则拆分。
- 句子中间不要有空白;句子之间的少量空白可以接受,有助于可读性。
行宽与阅读速度规则
- 每条提示1-2行,绝不使用3行。
- 每行约32-42个字符。超过这个长度会挤满画面,超出安全区域。
- 阅读速度 ≤ 约17字符/秒(≈160-180词/分钟)。如果某条提示超出该速度,文字会一闪而过——请拆分提示或延长时间。
- 在从句边界处断行,绝不在短语中间断行。保持“前往设置页面”连在一起;不要将“前往”独立成行。
选择格式
- SRT —— 通用格式,索引 +
HH:MM:SS,mmm --> HH:MM:SS,mmm+ 文本。用于上传到大多数平台和编辑器。 - WebVTT (.vtt) ——
WEBVTT头部,HH:MM:SS.mmm时间戳,支持提示定位/样式。用于HTML5<track>和网页播放器。
生成有效、可解析的输出——正确的时间戳标点(SRT在毫秒前使用逗号,VTT使用句点),提示之间空一行,末尾无空白字符。
干净版与逐字版
对于教程,使用干净版字幕:去掉填充词(“嗯”、“啊”、假开头),保留含义不变。准确保留技术术语、代码和UI标签。只有当用户明确需要(法律、研究、精确引用场景)时才使用严格逐字版。
同步质量检查
在视频的开始、中间和末尾处进行抽查——漂移会累积。确认提示按时出现,并在下一条开始前消失。修正任何在错误镜头画面中停留的字幕。
交付
完成的 .srt / .vtt 文件输入到社交视频格式化工具进行嵌入和平台样式处理,或者直接用于网页播放器的 <track> 元素。将颜色、字体、位置和动画留给那些步骤——本技能只输出准确、时序良好的文本,别无其他。
禁止事项
- 不要对字幕进行样式、颜色、定位或嵌入操作——那是社交视频格式化工具的工作。
- 不要逐词动画化文字——那是动态排版的工作。
- 不要输出未经纠正的ASR结果;错误恰好集中在最重要的词汇上。
- 不要为了不拆分提示而塞入3行或超出阅读速度预算——请拆分提示。