概述
此技能透過 HyperFrames 疊加合成,為現有影片加入內嵌字幕。當原始素材需要可存取且有樣式的隱藏式字幕,卻又不需要獨立字幕軌時,即可使用。它會根據 HTML 疊加層確定性地生成帶字幕的 MP4 影片。
HyperFrames — 內嵌字幕
為演講者或宣傳影片加入字幕/隱藏式字幕。字幕模型(掉落/軌道/嵌入)和疊加法則(字幕不是保留區域)。
使用時機
- 使用者想要在演講者影片上加入字幕/隱藏式字幕
- 使用者想要逐字字幕軌(標準的下三分之一位置)
- 使用者想要電影級嵌入文字顯示在主體後方(高潮節拍)
- 使用者想要為影片增加可存取性
- 使用者想要為社群媒體燒錄字幕(無需字幕軌)
不應使用時機
- 使用者想要完整的影片工作流程(請使用
hyperframes-product-launch-video) - 使用者想要完整的解說影片(請使用
hyperframes-faceless-explainer) - 使用者想要側載字幕檔案(SRT/VTT)— 此技能為燒錄內嵌
字幕模型 — 掉落 / 軌道 / 嵌入
| 內容 | 顯示方式 | |
|---|---|---|
| 掉落 | 填充詞 — 嗯、呃、結巴 | 不顯示 |
| 軌道 | 預設 — 一般口語內容 | 乾淨的下三分之一字幕,顯示在前方 |
| 嵌入 | 強化後的高潮 — 標題性節拍 | 主體後方一個大字(遮罩遮擋) |
軌道承載大部分文字;嵌入是稀有且應得的強化 — 每個節拍最多一個,永不連續相鄰,間隔至少一個節拍以上。
疊加法則
字幕行是疊加在影片之上的合成圖層;它不是保留區域。
- 將構圖置於真正的垂直中心(y = H/2)。不要為了「騰出空間」給字幕而將內容上移。
- 內容可以延伸到畫布底部。
- 避免將重要的、微小的可讀文字(例如網址、法律聲明行)放在字幕行所在的底部 ~80px 中央區域。
- 沒有機器強制保留區 — 以視覺判斷可讀性。
工作流程
1 · 生成語音 + 逐字時間戳
# 使用支援逐字時間戳的 TTS
node scripts/heygen-tts.mjs ./vo-spoken.txt -o voiceover.mp3 --words vo-words.json --voice <voice_id>
2 · 對齊字幕與顯示標記
node scripts/align-captions.mjs --tokens script-tokens.json --words vo-words.json --out captions.json
captions.json 是字幕軌的輸入(顯示拼字、口語時間)。
3 · 建立字幕軌
const LINES = /* captions.json 的內容 */ [
{ id: 0, end: 2.74, w: [["This", 0.0], ["week,", 0.30], ...] },
...
];
4 · 驗證字幕是否存在
在語音口語時間範圍內取樣 3-4 個畫面,確認字幕軌在每個畫面上都顯示了可見文字。若口語時間區間內的任何畫面缺少字幕,則表示建置結果為無字幕版本 — 將其視為紅燈。
反理性化對照表
| 合理化說法 | 實際情況 |
|---|---|
| 「我會把中心設在 42% 以留空間給字幕」 | 真正的中心(y = H/2)— 字幕是疊加層 |
| 「我會嵌入每個字」 | 嵌入是稀有的 — 軌道承載大部分文字 |
| 「我會跳過逐字時間戳」 | 音訊是時鐘 — 所有節拍時間都來自逐字時間戳 |
| 「我會在字幕中使用音標拼字」 | 字幕永遠渲染顯示層 |
| 「我會猜發音」 | 詢問使用者,然後擴充詞典 |
驗證
- 在 3 個以上取樣畫面中確認字幕軌存在
- 顯示拼字與稿本一致(非音標)
- 逐字時間戳與音訊對齊
- 構圖置於真正的中心(y = H/2)
- 字幕疊加區域內無重要文字