要点速览
- 常用字幕格式为 SRT 与 ASS，本质是带时间码的文本
- 软字幕可直接解析，硬字幕需要图像识别
- 拾文雀输出纯文本，可作为字幕底稿继续加工
- 字幕文本适合做检索、翻译、改写的素材
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 |
字幕文件里到底存了什么
常见的字幕文件格式有 SRT 和 ASS 两种，本质都是纯文本，每一条字幕由三部分构成：序号、起止时间码、显示内容。用文本编辑器打开就能看到，没有任何神秘的地方。
这意味着一件事：只要能拿到字幕文件，你就能拿到完整的文字内容，而且带着精确的时间信息。这比语音识别输出的一整段文字多了时间维度。
拿不到字幕文件时的替代方案
现实情况是，大部分需要处理的视频都没有可用的字幕文件。自拍素材、老录像、无字幕的外语视频，都属于这一类。这时唯一的路径是语音识别，从音轨里把说话内容重新转成文字。
重建的文本缺少时间轴，但内容完整度并不差，有时甚至比原字幕更准确——尤其当原字幕是自动生成的时候，里面常带着断句错误和识别错字。
字幕文本的三种用法
如果最终目标是在其他平台发布文字内容，时间码反而是累赘。这种情况下直接用语音识别拿到纯文本，比先导出字幕再清理时间码更省事。
| 用途 | 需要额外做什么 | 产出形式 |
|---|---|---|
| 内容检索 | 把多集字幕合并成一个文本 | 可搜索的文字库 |
| 翻译底稿 | 按语义切分并逐句翻译 | 多语言字幕 |
| 图文改写 | 去掉时间码，整理成段落 | 图文稿件 |
字幕文本的整理要点
字幕为了防止单行过长，会刻意把一句话拆成两三条。拿到文本后第一件事是把这些碎片拼回完整句子，否则读起来断断续续。
第二件事是处理重复。口语中常见的重复表达在字幕里会占据好几条，整理成文章时可以合并。第三件事是统一标点，字幕文件往往省略或简化标点，文本化之后需要补齐。
完成这三步之后，字幕文本才真正变成可阅读、可引用的材料。
和语音识别的关系
两种路径并非互斥。实际操作中常见的组合是：先用语音识别拿到完整文本，再用它来校对已有的字幕文件——因为语音识别用的是完整音轨，不受字幕切分方式的影响，往往能发现字幕里被切断或遗漏的内容。
如果你的视频素材本身比较长，先按章节处理会更容易管理，具体做法可以参考视频转文字里的切分建议。
字幕素材的长期管理
字幕文本零散，容易散落各处。要让它变成可用的资料，需要一套统一的存放规则：按作品名建立目录，每集一个文件，文件名带上集号和标题。
如果内容会持续更新，建议建立一个汇总文件，把所有集数的字幕按顺序合并。查找时打开一个文件就能全文检索，不用挨个打开。
多语言版本的字幕建议分目录存放，命名规则保持一致。翻译版本和原文版本对照着看时，文件名相同能省掉很多核对工作。
字幕与文稿互相校验
如果同一份内容你既有字幕文件、又能用语音识别重新转写，两者对照使用能得到比单独用任何一个都更可靠的结果。
具体做法是：以语音识别结果为主干，因为它来自完整音轨，不会因为显示需要而截断内容；再用字幕文件核对专有名词，因为人工制作的字幕在人名、术语上往往更准确。
两者不一致的地方，就是需要回听确认的地方。这种方法能把校对的范围收窄到少数疑点，比逐字核对整份文稿快得多。
常见问题
SRT 和 ASS 字幕格式有什么区别？
SRT 只包含序号、时间码和文本，结构简单；ASS 额外支持字体、颜色、位置等样式设置。提取文字的话两者都能用。
字幕提取能保留时间码吗？
解析原字幕文件时可以保留时间码。用语音识别重建的文本不含时间码，需要按语速估算后再手动对齐。
没有字幕的视频怎么获取文字？
用语音识别重建。上传视频文件，工具会提取音轨并转成文字，输出内容可作为字幕底稿。
字幕文本能直接用来做文章吗？
需要整理。字幕为显示效果做了断句，直接当文章读会有大量碎片句，要先把短句合并、去掉时间码、补上标点。