要点速览
- 软字幕可从视频容器中解析，硬字幕只能靠识别
- 没有字幕文件的视频，用语音识别重建文本
- 拾文雀支持 MP4、MOV、WebM，单文件上限 50MB
- 平台机器字幕质量参差，重建往往比复用更可靠
支持的视频格式与转写参数
| 项目 | 说明 |
|---|---|
| 支持格式 | MP4、MOV、WebM |
| 单文件上限 | 50MB |
| 建议时长 | 5 分钟以内 |
| 参考耗时 | 约 1 分钟 |
| 音轨处理 | 浏览器本地提取，画面数据不上传 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| 需先转换 | AVI、MKV、FLV、WMV 需先转 MP4 |
软字幕和硬字幕的区别
| 类型 | 形态 | 提取方式 |
|---|---|---|
| 软字幕 | 独立字幕轨或外挂字幕文件 | 可直接解析文本，无需识别 |
| 硬字幕 | 烧录在画面像素里 | 只能通过图像识别逐帧获取 |
| 平台字幕 | 平台生成，通常可导出 | 导出字幕文件或重新识别 |
没有字幕文件时怎么办
大量视频属于"没有字幕"的情况：自拍的素材、老录像、从电视或录像带转录的内容，以及只带硬字幕的成品。这类视频想拿到文字，只能依赖语音识别重新转写。
用语音识别重建字幕文本有几个好处：不受原字幕质量的限制，不受字幕语言版本的限制，而且时间轴之外的文本是干净的纯文字，便于二次利用。
用语音识别重建字幕文本的流程
- 把视频文件保存到本地，确认没有超过 50MB
- 上传到拾文雀，选择「视频转文字」通道
- 等待音轨提取与识别完成，复制或导出文字
- 如需字幕文件，再按语义切分成短句并配上时间码
硬字幕视频的特殊处理
硬字幕烧在画面里，属于图像内容，语音识别取不到。要提取这类字幕，需要把视频按帧切图，再逐张做图像识别——这属于硬字幕提取的范畴，工作量和语音识别不是一个量级。
实际选择时有个简单判断：如果只是要内容，用语音识别更快；如果画面里除了字幕还有其他重要文字（比如板书、界面、数据表格），才值得走截图识别的路径。
字幕文本的常见用途
- 内容检索：把整季或整个系列的字幕合并，做成可搜索的文本库
- 翻译底稿：先拿到原文文本，再翻译成其他语言版本
- 内容改写：把字幕文本改写成图文稿或脚本，用于多平台分发
- 无障碍支持：为没有字幕的旧视频补充字幕文件
字幕文本的质量评估
拿到字幕文本后，可以从三个角度看它的可用性。完整度：内容有没有明显缺失，句子是否被拦腰截断。准确度：专有名词和数字是否可靠。可读性：把碎片句拼起来之后，读起来是否通顺。
专业字幕通常在这三项上都过关；平台自动生成的字幕，常见问题是断句破碎和专有名词出错；语音识别重建的文本完整度好、断句需要自己处理。清楚各类文本的特点，就知道该在哪个环节补工作。
如果同一份内容既有原字幕又有语音转写结果，把两者对照使用效果最好：用语音识别补全字幕遗漏，用原字幕核对语音识别的专有名词。
拿到字幕文本后的清洗步骤
无论文本来自原字幕文件还是语音识别，都需要清洗一遍才能用。清洗有固定的几步，按顺序做效率最高。
第一步去掉非内容行。字幕文件里常带样式标记、位置指令、时间码，这些都不是内容，先统一清掉。
第二步合并碎片。字幕为显示效果把一句话拆成多条，合并时要按语义判断，而不是简单拼接——有些换行是显示需要，有些是说话人真正的停顿。
第三步补齐标点。字幕文件通常标点极简，文本化之后需要按句子结构补上，否则读起来没有停顿感。
第四步处理重复。口语中的重复在字幕里会完整保留，整理成文章时应当合并或删减，保留一次最清楚的表述即可。
字幕格式与后续用途
从视频里还原出来的文字，如果还要放回播放器当字幕，需要按时间轴存成 SRT、ASS 或 VTT。拾文雀输出的是纯文本，不含时间码，适合阅读、检索和改写。
需要带时间轴的字幕时，一般先用剪辑软件做语音对齐，或者把文本导回剪映、Premiere 手动对轴。字幕条数多的时候，手动对轴很费时间，先想清楚这份字幕是给自己看还是给别人用。
- SRT：兼容性最好，绝大多数播放器与平台都认
- ASS：可带样式与位置，适合做特效字幕
- VTT：网页播放器与 HTML5 video 的标准格式
- 纯文本：适合读稿、改写、归档，不含时间码
常见问题
怎么判断视频是软字幕还是硬字幕？
在播放器里关闭字幕选项。字幕消失说明是软字幕，可以解析；字幕依然显示说明是硬字幕，只能靠图像识别。
平台自动生成的字幕能直接导出吗？
部分平台支持导出字幕文件。如果无法导出，可以用语音识别重新转写，通常比平台机器字幕更干净。
提取字幕能让时间轴一起保留吗？
语音识别输出的是纯文本，不含时间轴。需要时间码的场景，要在文本基础上按语速估算并手动对齐。
硬字幕视频怎么提取文字？
需要把视频切帧成图片，再逐张做图像识别。可以先参考硬字幕提取的说明评估工作量。