字幕生成（基于转录稿） 是做什么的？
字幕不是锦上添花——它们是可访问性的保障，能让静音观看的用户跟上内容，对教程而言更能强化确切的 UI 术语。该技能生成一份干净、时序准确的字幕文件。样式和烧录由后续步骤处理。
首先获取最准确的文本
准确性取决于起点：
- 如有旁白脚本，将其作为基准。 其在技术术语和 UI 标签上已是正确的。将脚本与音频对齐，而非从头重新转录。
- 否则，转录音频（使用 Whisper、平台的自动字幕或任何 ASR 服务），然后对照视频进行校正。ASR 通常会在产品名称、代码和缩略词上出错——务必逐条修正，使其与屏幕显示完全一致。
绝不要直接使用未经处理的原始 ASR 输出。错误总是集中在最高价值的词汇上。
将字幕与语音对齐
- 每条字幕在其台词被说出时出现，并在结束时消失——对齐语音，而非固定的时间间隔。
- 最短显示时间约为 1 秒（即使字幕很短），最长约 7 秒。超过的应拆分为多条。
- 句子中间不要有空隙；句子之间短暂的空白是可接受的，有助于提高可读性。
行数与阅读规则
- 每条字幕 1-2 行，绝不能有 3 行。
- 每行约 32-42 个字符。超过会挤占画面，超出安全区域。
- 阅读速度 ≤ 约 17 字符/秒（约 160-180 词/分钟）。如果一条字幕超出此速度，文字会一闪而过——请拆分字幕或延长其显示时间。
- 断行应在从句边界处，绝不能在短语中间打断。保持“转到 设置 页面”的整体性；不要将“转到”单独放在一行。
选择格式
- SRT - 通用格式，序号 +
HH:MM:SS,mmm --> HH:MM:SS,mmm+ 文本。适合上传到多数平台和编辑器使用。 - WebVTT (.vtt) -
WEBVTT头部，HH:MM:SS.mmm时间戳，支持字幕定位/样式设定。适合用于 HTML5<track>和网页播放器。
生成有效、可解析的输出——正确的时间戳标点符号（SRT 在毫秒前使用逗号，VTT 使用句点），字幕之间用空行分隔，无尾部空格。
干净版 vs 逐字版
对于教程，字幕采用干净版：去掉填充词（“嗯”、“啊”、重新开始的句子），保留原意。技术术语、代码和 UI 标签必须精确保留。仅在用户明确要求（法律、研究、精确引用场景）时使用逐字版。
同步质量检查
在视频的开始、中间和结束处抽查同步情况——漂移是会累积的。确认字幕在正确的台词时出现并在下一条字幕开始前消失。修正任何停留在错误画面上的字幕。
交接
完成的 .srt / .vtt 文件供 social-video-formatter 进行烧录和平台样式设定，或供网页播放器的 <track> 元素直接使用。将颜色、字体、位置和动画留给后续步骤——此技能只生成准确、时序恰当的文字，仅此而已。
不要做的事
- 不要为字幕添加样式、颜色、位置或将字幕烧录到画面中——这些是 social-video-formatter 的职责。
- 不要逐字制作动画效果——这些是 kinetic-typography 的职责。
- 不要使用未校正的 ASR 结果；错误恰恰集中在最重要的术语上。
- 不要为了避免拆分字幕而使用 3 行或超出阅读速度预算——请务必拆分。