音频生成 SRT 字幕：三分钟，帧准对齐
把 MP3、录音、口播音频变成 SRT 字幕的完整流程：上传、说话人区分、逐字时间戳、改错字不影响时间轴，导出到剪映与 Premiere。
2026年9月5日
声匠团队
声匠团队听这篇文章
AI 朗读 · 约 2 分钟
手动打轴一分钟音频要十分钟，还容易对不齐。用语音转文字直接输出 SRT，时间轴来自逐字时间戳而不是估算，这篇讲完整流程和三个易错点。
流程
- 上传音频到字幕生成，支持 MP3、WAV、M4A，视频文件会自动抽音轨。
- 选择语言或让它自动识别，多人对话打开说话人区分。
- 拿到 SRT 与逐字时间戳，改错字后时间轴不变。
- 导入剪映、Premiere 或 CapCut。
听源音频，看输出
两个人交替说话、句间停顿，每一句都要落在准确的起止点上:
音色: 霸道总裁 / 冷艳女王中文16 秒
生成的字幕会按说话人换行，停顿超过 0.8 秒自动断句。
三个易错点
- 口语填充词："嗯""那个"默认保留，发布前可一键去除。
- 数字格式："二零二六年"会规范为"2026 年",可以在设置里关掉。
- 专有名词：人名和品牌先加到发音词典的识别列表，转写准确率明显提升。
从配音直接出字幕
如果音频本身就是 AI 生成的，不用再转写：在文字配音里生成时同时导出 SRT，字级对齐，零误差。