從語音生成字幕 是做什麼的?
字幕不是可有可無的修飾——它是無障礙的基礎,能讓觀眾在靜音狀態下繼續觀看,對於教學影片更能強化UI術語的理解。這個技能產生乾淨、時間精準的字幕檔。樣式設定與內嵌字幕是在後續步驟處理。
首先取得最準確的文字
準確性取決於你的起點:
- 如果有旁白稿,就以它為基礎。 旁白稿在技術術語和UI標籤上已經正確。將其對齊音訊,而不是從頭轉寫。
- 否則,先轉寫音訊(Whisper、平台的自動字幕或任何語音辨識),然後根據影片內容校正。語音辨識通常會搞錯產品名稱、程式碼和縮寫——修正每個地方,確保畫面上的內容完全相符。
絕不輸出未經校正的ASR結果。錯誤總是出現在最重要的詞彙上。
根據語音設定時間碼
- 每條字幕在該句語音開始時出現,結束時消失——對齊語音,而不是任意區間。
- 最短顯示時間約1秒(即使是短字幕),最長約7秒。超過則需拆分。
- 句子中間不要有間隔;句子之間的小間隔是可接受的,有助於閱讀。
行數與閱讀規則
- 每條字幕1-2行,絕不超過3行。
- 每行約32-42個字元。超過則會擠壓畫面並超出安全區域。
- 閱讀速度 ≤ 每秒約17個字元(約160-180詞/分鐘)。如果一條字幕超過這個速度,文字會閃過——請拆分字幕或延長其持續時間。
- 在子句邊界處斷行,絕不在詞組中間斷行。保持「到設定頁面」在一起;不要把「到」單獨留在某一行。
選擇格式
- SRT - 通用格式,索引 +
HH:MM:SS,mmm --> HH:MM:SS,mmm+ 文字。適用於上傳至多數平台和剪輯軟體。 - WebVTT (.vtt) -
WEBVTT標頭,HH:MM:SS.mmm時間戳,支援定位/樣式設定。適用於HTML5<track>和網頁播放器。
產出有效、可解析的輸出——正確的時間戳標點(SRT在毫秒前用逗號,VTT用句點),每條字幕之間有空行,無尾隨空白。
乾淨版 vs 逐字版
對於教學影片,字幕使用乾淨版:去除填充詞(「嗯」、「呃」、重複開頭),保留原意。技術術語、程式碼和UI標籤保持原樣。只有在使用者明確要求(法律、研究、精確引用情境)時才使用嚴格逐字版。
校對同步
在影片的開頭、中間和結尾實際播放對照檢查——時間漂移會累積。確認每條字幕準確對應其語句,並在下一句開始前消失。修正任何與畫面不符的字幕。
交接
完成的 .srt / .vtt 檔案可餵給社群影片格式化技能進行內嵌和平台樣式設定,或直接供網頁播放器的 <track> 元素使用。色彩、字型、位置和動畫留給那些步驟——這個技能只輸出準確且時間精準的文字,別無其他。
不要
- 不要設定樣式、色彩、位置或將字幕內嵌到畫面中——那是社群影片格式化技能的工作。
- 不要逐字動畫化文字——那是動態字體技能的工作。
- 不要輸出未經校正的ASR結果;錯誤總是集中在最重要的詞彙上。
- 不要為了避免拆分字幕而塞入3行或超過閱讀速度上限——請拆分它。