一条八分钟的口播，我改了两百一十七条字幕
客户名字里有个翀字。剪映识别成“冲”，整篇二十七处。还有“景深”识别成“警深”，“焦段”成了“交段”，“这个机位”变成“这个几位”。那天从晚上九点改到凌晨一点，改完倒头就睡，第二天发现前半段全对不上口型，因为我在字幕面板里删了两条重复的。
后来我把流程改了：先处理音频，再识别，从后往前改，改完导出 srt 用记事本批量替换，再导回来。同样八分钟的片子，现在改字幕五十分钟左右，错字能控制在个位数。
这篇只讲字幕，不讲剪辑。字幕这活儿看着是体力活，其实有一半是流程问题，顺序错了，越改越乱。
先说明，剪映版本更新快，按钮位置一年挪两回。我说的路径你按大概位置找，找不到就在字幕面板上右键，多半藏在里面。
识别之前，先把音频弄干净
字幕准确率的上限，在识别按钮按下之前就定了。原声里空调嗡嗡响、房间有回音、说话含糊，后面怎么改都费劲。
第一步分离音频。选中视频，右键分离音频，人声单独一条轨。然后把音乐、音效轨静音或者删掉，只留人声。不删也行，但识别会把背景音乐里的歌词一起转成字幕，混在正文里，删起来很烦。
第二步降噪。音频面板里降噪给三十到四十，别拉满。拉满人声发闷，识别引擎反而更容易把字听错。降噪之后听一遍，如果人声变得像隔着门说话，就往回退十。
第三步去混响。剪映没有一键去混响，房间空、离墙近，回音就重。我的处理是把均衡器低频切到八十赫兹，两百到四百赫兹压两分贝，再把每句话的尾巴剪短一点。效果有限，真要干净只能重录，录的时候背后挂两条被子，比什么插件都管用。
第四步看语速。一分钟超过二百八十字，识别容易吞字，尤其句尾。这种我没法后期救，只能在录的时候提醒对方慢一点，或者把长句拆成短句说。已经录完的，把音频变速到零点九五再识别，字幕时间会跟着变，后面再变回来很麻烦，不推荐。
录音的时候我会让对方离麦克风一拳远，别贴在嘴边，也别隔一张桌子。贴太近会有喷麦和低频轰鸣，隔太远房间混响全收进来。这个距离比任何后期降噪都管用。
如果你用的是领夹麦，衣服摩擦声会被录进去，沙沙的，降噪压不掉。录之前把线固定好，或者用胶带把麦克风贴在衣服内侧。已经录完的，只能在那几段把音量拉低，或者用空镜盖住。
音频采样率统一成 48kHz。手机录的 44.1kHz 也能识别，但和相机素材混在一起时，时间轴偶尔会漂，字幕对不齐。
语言和方言：选错一项，整篇白改
识别面板里第一项是语言。普通话、粤语、英语、日语、韩语，有的版本还有中英混合。选普通话去识别粤语，出来的是同音字大杂烩，改都无从改起。
口音重的普通话，比如四川话、东北话，没有对应选项时还是选普通话，准确率会掉，但比选粤语强。真正说粤语的，一定选粤语，识别率能到八成以上。
中英混杂最难。选中文，英文单词会按发音转成汉字，“check”变成“切克”，“follow”变成“否楼”；选英文，中文全丢。我的办法是分段识别：纯中文的段落按中文识别，英文段落单独切出来按英文识别，最后在时间线上拼回去。
还有一个选项是识别时是否区分说话人。访谈类素材开了它，字幕会自动标出说话人一、说话人二，后期不用猜哪句是谁说的。口播用不上，开了反而每条前面多一段标签，得手动删。
识别前把音乐轨静音，这条前面说过，但值得再说一遍。我见过一次，整条字幕里混进三句歌词，客户以为是我打错了。
逐句校对：为什么我从后往前改
剪映的字幕是一条条时间块。改文字本身不会动时间，但删除、合并、拆分这些操作会推动后面的字幕。你从第一句开始改，改到中间删了一条，后面所有字幕整体前移，原本对好的口型全错。
从后往前改就没这个问题。最后一条改完，再改倒数第二条，前面未改的部分时间不动。这是我自己试出来的，后来看别人也这么干，算是行业土办法。
补一条实际操作上的顺序。先把整条字幕轨复制一份备份，再开始改。剪映里右键字幕轨能复制，或者直接导出一次 srt 存着。改崩了还能退回来，比撤销键靠谱，撤销步数有限，改到两百条以后早就退不回去了。
具体操作：打开字幕面板，双击最后一条，播放头会跳过去。听一遍原声，看一遍字幕，再看一眼口型，三个对上了再改。改完按上一条，继续。
面板上的字幕列表能按时间排，也能按文本搜。改到某一句想回头找，直接在搜索框里敲两个字，比拖时间线快。我一般左边开着列表，右边开着播放器，眼睛在两边来回扫。
听不清的地方别硬猜。把播放速度降到零点五倍，或者把那一小段音频单独放大波形看。实在听不清，就在字幕里留一个问号，最后统一回去问客户，比瞎填一个词强。
遇到连续三句都听不清，别死磕。把那一分钟的音频导出来，用手机放给同事听，两个人听出来的版本往往不一样，拼一拼就八九不离十。自己听久了会形成错觉，越听越像自己以为的那个词。
改的时候别开自动滚动。面板一滚动，你的眼睛会跟着跑，很容易漏掉一条。我习惯手动滚，改一条往上推一条，速度反而稳。
校对时把播放器窗口放大到百分之五十以上，字幕面板缩到能看见五六条。窗口太小，字幕字号在预览里看不清，你会不自觉地靠猜，猜错的比听错的多。
标点和断句：一行别超过十六个字
短视频字幕不是文章，标点能省就省。句号我基本不打，问号和感叹号保留，逗号看停顿。一行字幕的末尾不加标点，观众不会觉得断。
断句按意思断，不按呼吸断。一句话说到一半换行，观众读起来会卡。“但是”“所以”这种转折词，别放在行尾，放下一行开头。
字数控制：横屏一行十六到十八个字，竖屏十二到十四。超过就手动回车，或者拆成两条字幕。拆的时候注意时间，前一条和后一条之间留零点一秒空隙，别无缝拼接，不然像一句话被切成两半。
举个例子，“我们今天要讲的是剪映的自动字幕功能”这句话，竖屏一行放不下。我会断成“我们今天要讲的”和“是剪映的自动字幕功能”两条，断点落在“的”后面，读起来不别扭。要是断成“我们今天要讲的是剪”和“映的自动字幕功能”，观众得愣一下。
数字和单位按口语写。二零二六年写成 2026 年，百分之三十写成 30%，观众一眼能懂。英文缩写保持大写，别让识别引擎改成小写混排。
英文单词别在中间断行。一个单词被拆到两行，观众会先读上半截再读下半截，注意力就散了。实在放不下，把整句提前断，或者把字号调小一号。
语气词单独成条还是并进句子，看节奏。“对”“嗯”“是吧”这种，单独一条零点三秒，画面会跳；并进上一句更自然。我一般并进去，除非它本身是笑点。
专业词和人名：建一个自己的词表
每个领域都有几个识别引擎必错的词。做数码的，景深、焦段、宽容度、果冻效应；做医疗的，一堆药名；做人名的，生僻字基本全军覆没。
我的做法是每接一个领域，先建一个 txt 词表，一行一个词，不加标点，三十到五十个就够。识别面板里有自定义词或者热词的入口，不同版本叫法不一样，把词表粘进去，再识别，命中率会明显提高。
词表要维护。这次错了哪个，随手加进去，下次就少改一处。我电脑里现在有四个词表：数码、餐饮、教育、人名，做个两三次就成型了。
人名最麻烦。客户名字里的生僻字，词表也救不了，因为引擎可能压根没有这个字的发音。这种只能识别完手动替换，或者提前问客户要一份人名对照表。
词表不是越多越好。超过一百个词，识别引擎反而容易把普通词往专业词上靠，出现新的错。我的词表一直控制在五十个以内，只放那些反复错的，其他靠替换。
英文品牌名统一大写，比如 UI、API、HDR，识别成小写或者拆成两个词的概率很高，改的时候用查找替换一次搞定。
对不齐：手动微调就三个动作
字幕和语音对不齐，无非三种情况：整体早了、整体晚了、中间某句开始漂。整体偏移好办，全选字幕轨，拖一下，或者用面板里的时间偏移统一加减。
中间漂的，找到第一个不对的句子，把后面的字幕全选，整体挪。别一条条挪，越挪越乱。
单句长短不对，拖字幕块的左右边缘。拖的时候把时间线放到最大，一帧一格，25 帧的项目一帧四十毫秒。差两帧观众看不出来，差五帧以上，嘴已经停了字幕还在，很明显。
拖之前关掉磁吸。磁吸会把字幕吸到相邻片段或者音频结尾上，你以为挪了两帧，其实挪了半秒。
还有一种对不齐是字幕轨被锁定了，怎么拖都不动。先看轨道头部的锁图标，再看眼睛图标。这个我折腾过十分钟，最后发现是锁着。
一句话太长，在中间切开，分成两条。切完把前一条的结尾和后一条的开头各留零点一秒，读起来才顺。剪映里选中字幕块，Ctrl+B 分割，跟切视频一样。
批量替换和样式：别一条条手改
字幕面板里一般有查找替换，有的在右上角更多菜单里。把所有“警深”替换成“景深”，一次能改几十条。替换前先看一眼上下文，像“他”和“她”这种，盲替会出错。
替换完别急着关面板，先看替换了多少处。数字对不上，说明别的地方也中了，回头抽查几条。我有一次把“实际”替换成“实力”，连“实际情况”都改了，最后读起来全是病句。
样式也是批量。调好一条，右键应用到所有字幕，或者全选字幕统一改。字体、字号、描边、阴影、位置，一次定死。
但要注意，单条改过样式的字幕，不会被全局覆盖。这是好事也是坑：你以为全统一了，导出后发现有一条还是旧字体，就是因为它被单独改过。
我的习惯是先把样式统一，再逐条改字。反过来也行，但改字的时候容易误触样式，最后还得再统一一遍。
导出 SRT：让外部工具干重活
字幕改到八成，剩下的错字用剪映一条条找很费眼。这时候导出 SRT，丢到记事本或者字幕软件里批量处理，快得多。
导出路径：右上角导出，面板里勾字幕导出，选 SRT，只导字幕不导视频。有的版本在字幕面板的更多菜单里直接有导出字幕。导出来的文件很小，几十 K。
SRT 的格式很简单：序号、时间码、文本、空行。时间码是 00:00:01,000 这种，秒和毫秒之间是逗号，不是点。用记事本改的时候千万别动时间码的格式，动了就导不回去。
文件编码用 UTF-8，不要带 BOM。带 BOM 的导入剪映，第一句前面会多一个乱码字符。记事本另存的时候选 UTF-8，别选带 BOM 的那个选项。
外部工具我用两个：记事本做全局替换，Subtitle Edit 做拼写检查和时间轴微调。Aegisub 也能用，但对新手太重。改完存成 SRT，回剪映里走文本、本地字幕、导入，选文件就行。
导回之后会新建一条字幕轨，原来的那条要删掉，不然两层字幕叠在一起，导出后字是重影的。这个坑我踩过，盯着屏幕看了半天以为显卡坏了。
导回的字幕如果时间码是点号分隔，剪映会提示格式错误，或者导进来时间全是零。遇到这种情况，用记事本把时间码里的点改成逗号，只改时间码那几行，别全局替换，不然正文里的句号也遭殃。
导出 srt 之前，把字幕轨从头到尾过一遍，确认没有空条目。空条目在剪映里看不见，导出后在 srt 里就是一行空白，导入别的软件会报错。
识别失败和漏句：几种补救
整段没识别出来，先看音频。音量太小、纯音乐、长时间静音，引擎会直接跳过。把那一小段切出来，音量标准化之后再单独识别。
漏句多半是说话太快或者连读。手动加一条字幕，复制前后条的样式，时间拖到对应的口型上。一条两条可以手动补，漏十几条就得考虑重新识别那一段。
报错识别失败请稍后重试，一般是网络或者队列问题。换个时间段，或者把长视频切成十分钟以内的片段分别识别。我最多一次切了六段，反而比整条识别快。
离线环境更麻烦。识别要联网，内网机器连不上服务器，按钮点下去转两圈就失败。这种情况只能换一台能上网的机器识别，导出 srt 再拷回去。我帮一家公司做过，最后是用手机热点解决的。
识别出来全是乱码或者英文，八成是语言选错了。退回去重新选，不用删工程。
还有一种情况，字幕识别出来了，但全是重复的短句，像“对对对”“是是是”。这是语气词被单独成条，合并或者删掉，别留着占轨道。
安全区和平台遮挡
竖屏视频，底部百分之十五会被平台的进度条、文案、购物车盖住，右侧百分之十五是点赞、评论、转发按钮，顶部百分之十是标题和搜索框。字幕放在这些区域，等于白做。
剪映播放器右下角有安全区开关，打开会显示虚线框。字幕压在虚线里面，导出后到手机上再看一遍，基本不会出问题。
双行字幕要再往上抬百分之八左右，不然第二行贴着底边。横屏也别贴最底下，有的播放器会加控制条。
不同平台遮挡位置不一样。抖音右侧按钮多，视频号底部文案长，B 站横屏下方有进度条。一稿多发的，字幕位置按最苛刻的那个平台定。
字幕别压在人脸上。口播构图本来人就居中偏下，字幕再往上顶，正好挡嘴。我的做法是拍摄时让人物偏上三分之一，下方留出字幕区，后期就不用为了避让把字缩得很小。
双语字幕：两行怎么排才不挤
双语字幕用两条字幕轨，中文在主轨，英文在下面一条。中文是主体，字号大；英文辅助，字号给中文的零点七左右。
位置：中文在画面下方偏上，英文再往下一点，两行之间留一点行距。竖屏空间小，英文太长就拆成两行，别硬挤成一行小字。
英文断句按意群，一行别超过四十二个字符。介词、冠词别放行尾，读起来断气。
机翻直接用会出笑话。我见过把“干货”翻成 dry goods，“种草”翻成 plant grass。英文部分要么自己写，要么找靠谱的人过一遍，机翻之后必须改。
双语字幕的样式最好做成两套预设，中文一套、英文一套，换片子直接套。每次手动调字号和位置，二十条字幕能调半小时，还容易两行对不齐。
中英文时间对齐，我一般让英文比中文晚零点一秒出现、早零点一秒消失，眼睛先看到中文，再扫到英文，不打架。这个差多少没有标准，自己看着舒服就行。
几个坑，我一个个踩过来的
第一个，识别后时长被压缩。先识别再变速，字幕轨不会跟着变，整条片子字幕越往后越早。正确顺序是先定速、再识别。已经反了的，只能全选字幕轨拉伸，或者重新识别。
第二个，改一句导致后面全错位。多半是在字幕面板里删了一条，后面的自动闭合空隙。改字就在文本里改，别删块；非要删，从后往前删。
第三个，字体缺字。手写体、艺术体缺生僻字，导出后那个字变成方框。客户名字里带翀、彧、頔的，一律用思源黑体或者普惠体，导出前把生僻字那一屏放大看一遍。
第四个，导出后字幕没了。先看字幕轨的眼睛图标是不是关着，再看导出范围是不是只选了片段，最后看字幕是不是被画中画盖住。这三个原因占九成。
第五个，改完比例字幕跑位。横屏改竖屏，原来在底部的字幕会跑到画面外面。改比例之后，全选字幕重新应用一次样式和位置。
第六个，字幕和音频的顺序搞反。有人先识别字幕，再把整条视频变速，字幕轨不跟着变，最后只能重来。正确顺序永远是先定画面和速度，再做字幕。这条我写在便签上贴在显示器边上。
第七个，字幕被画中画盖住。画中画轨在字幕轨上面，字幕自然看不见。把字幕轨拖到最上层，或者在导出前把画中画那一段挪开。这个错误导出后才发现，等于白导一次。
现在的固定流程
分离音频、删音乐轨、降噪四十、低频切八十、统一 48kHz；选语言，专业词表先粘进去；识别；从最后一条往前改；统一断句和标点；样式批量套；导出 SRT，记事本替换，Subtitle Edit 过一遍；导回，删旧轨；手机上全屏看一遍。
这套走下来，八分钟的片子五十分钟左右。第一次我改了四个小时，还改错了时间轴。差别不在手速，在顺序。
具体到每一段的时间：分离和降噪十分钟，识别三分钟，校对二十五分钟，样式和导出十分钟。校对最花时间，也最能省。词表准了，校对能压到十五分钟。
最后交付前，把 srt 和成片各存一份到项目文件夹，命名带上日期和版本号。客户三个月后说要改两个字，你还能找到当时对的是哪一版字幕，不用重新听一遍。
上周那个客户又发来一条，名字还是翀。这次词表里已经有这个字了，识别出来一次就对。我把片子导出去，他回了句“这次没毛病”，我就收工了。
字幕这东西没什么捷径，但有顺序。顺序对了，改两百条也不烦；顺序错了，改二十条就能把时间轴搞崩。
