字幕生成器 - 逐字時間戳，拖進去就對齊

字幕對不齊，問題幾乎都出在時間軸是猜的

大多數字幕生成器的流程是：先識別出文字，再按語速把時間平均分配給每個字。句子裡有停頓、有拖長音、有語氣詞，平均分配就會漂——前半句提前消失，後半句遲到半秒。

這個字幕生成器的 SRT 時間軸不是分配出來的，是轉寫時逐字算出來的，精確到 0.01 秒。

看一眼精確到什麼程度

一段中文說書音訊的真實逐字時間戳：

音色: 老者说书人中文17 秒

字幕真正的難點是時間軸：兩個人交替說話、句間有停頓，每一句都要落在準確的起止點上。聽這段對白，再看下面的文稿如何被切成字幕行：

音色: 霸道总裁 / 冷艳女王中文16 秒

上[0.42→0.72]  回[0.72→0.88]  書[0.88→1.06]  說[1.06→1.48]
到[1.48→1.84]  ，[1.84→2.62]  那[2.62→2.96]  少[2.96→3.18]
年[3.18→3.40]  提[3.40→3.64]  劍[3.64→3.96]  立[3.96→4.22]

注意第 6 項那個逗號：它佔了 0.78 秒——比它前面任何一個字都長。這就是說書人的停頓。

如果按語速平均分配，這 0.78 秒會被攤到前後的字上，整句字幕從這裡開始就漂了。逐字時間戳把停頓如實記下來，所以後面每個字都還在正確的位置。這也是判斷一個字幕生成器好不好用最直接的標準：停頓之後的字幕還準不準。

用字幕生成器之前，先選對路徑

第一行很容易被忽略：如果配音是這裡生成的，不要再跑一次語音識別。 那是拿估算值覆蓋精確值，還會引入識別錯字。合成時已經給了字幕軌，直接用。

改錯字不影響時間軸

識別不可能全對——同音詞是固有邊界。但文字和時間是兩份資料：

在文本里把錯字改掉，那個詞的起止時間不變。所以校對流程是先批次改文字，再匯出 SRT，而不是在剪輯軟體裡逐條點著改。

這也是這個字幕生成器和剪輯軟體自帶字幕最實際的差別：那裡文字和時間軸鎖在一起，只能一條條改。

為什麼字幕生成器預設匯出 SRT

SRT 是最通用的字幕格式：一個純文本檔案，每一條字幕由序號、起止時間和文字組成。剪映、Premiere、Final Cut 都能直接匯入，用任何文本編輯器也能開啟修改。

匯出的 SRT 按句子邊界分條。如果某一條仍然偏長，因為有逐字時間戳，你可以在任意詞的位置拆成兩條，並讀出精確的起止秒數，不用憑感覺估。

字幕生成器怎麼用

1. 開啟語音工作臺 → 轉錄
2. 上傳音訊或影片（單次總計 ≤200MB）
3. 在結果裡通讀一遍，重點改人名、術語、中英混說處
4. 匯出 SRT，拖進剪映 / Premiere / Final Cut

順序上有個坑：先定剪，再轉寫。轉寫完再去剪影片，時間軸就和新畫面錯位了。

做字幕最常見的四個錯誤

• 轉寫完又改剪輯。 刪掉或挪動一段畫面，後面所有字幕都會錯位。先定剪，再生成字幕。
• 在剪輯軟體裡逐條改錯字。 先在文字稿裡批次改好再匯出，改一遍就夠。
• 對自己生成的配音再跑識別。 合成時給的字幕軌是精確值，再識別只會更差。
• 長句硬塞一行。 按詞邊界拆成兩條，觀眾讀得過來，時間也不會漂。

只想要文字稿而不是字幕？音訊檔案看 MP3 轉文字，影片檔案看 MP4 轉文字。

常見問題

和剪映自帶的自動字幕比，這個字幕生成器差別在哪？ 剪輯軟體的自動字幕是對成片再跑一次識別，識別錯字和時間軸都在軟體內部，改起來要逐條點。這裡的 SRT 是轉寫時與文字稿同源產出的，你可以在文本里批次改錯字後再匯出，時間軸不受影響。另外配音生成的音訊還能跳過識別這一步——時間戳在合成時就已經算好了。

時間軸精度到什麼程度？ 逐字級，精確到 0.01 秒。這意味著斷句可以卡在詞邊界而不是估算的均分點，長句拆兩行時不會出現前半句提前消失或後半句遲到的情況。

一句字幕太長，能自動斷行嗎？ 匯出的 SRT 按句子邊界分條。如果單條仍然偏長，因為有逐字時間戳，你可以在任意詞的位置拆成兩條並讀出精確的起止秒數，不需要憑感覺估。

我用你們生成的配音，還需要再識別一次嗎？ 不需要，而且不應該。配音合成時就會輸出字級時間軸，那是精確值；再跑一次語音識別反而是拿估算值覆蓋精確值，還可能引入識別錯字。直接用合成時給的字幕軌。

開始

費用： 每個檔案 20 點數（單次 ≤200MB），失敗自動退回。¥29.90 的體驗包有 150 點數，夠轉 7 個檔案，點數不過期。

把一條已經定剪的影片傳進字幕生成器，匯出的 SRT 拖進剪輯軟體，看看是不是不用再對軸。

上傳素材生成字幕 →

相關：MP4 影片轉文字 · MP3 轉文字 · 會議錄音轉文字 · 字幕對軸實操指南