口播稿轉字幕檔：稿子貼上、選語速，十秒下載 SRT，不用再一句一句拉時間軸｜AI101 Day 188
影片剪好了，稿子就在手上，卻卡在字幕這一關。上字幕軟體一句一句拉時間軸，三分鐘的影片要耗掉半小時；丟給語音辨識又把品牌名、數字聽成別的字，校對比重打還久。口播稿轉字幕檔反過來想：既然你已經有正確的逐字稿，就直接照中文語速與標點斷句、算出每一行的進出時間。貼上口播稿、選語速或填影片實際長度，下載 .srt 或 .vtt 匯進剪輯軟體或 YouTube。全程在瀏覽器計算，稿子不上傳也不耗額度。
一個做食譜短影音的學員，桌面右半邊開著剪映，左半邊開著一個 Word 檔，裡面是那支影片的口播稿，一字不差。她是照著稿念的。右邊的剪映卻在跑語音辨識，辨識完她再逐句校對，「低筋麵粉」被聽成「低金麵粉」、「180 度」變成「一百八」，改到最後她乾脆關掉辨識自己打。一支一分半的影片，字幕花二十分鐘，一週出五支，光字幕就是一個半小時起跳。
我盯著那兩個視窗看了一會兒，覺得很荒謬：最準的逐字稿就在左邊，右邊卻在讓機器重新猜一次。稿子比任何辨識結果都準，問題只剩一個，這份稿子沒有時間。
口播稿轉字幕檔做的就是補上這個時間。它不聽你的聲音，只讀你的字，依中文語速與標點把稿子切成一行一行，算出每一行的進出時間點，輸出成剪輯軟體吃得下的字幕檔。
這個工具能做什麼
介面很簡單。一個「口播稿」輸入框，把稿子整段貼進去，下面會即時顯示「幾個字（不含標點）、幾行字幕」。這兩個數字順便能幫你在錄之前抓長度：一支想控制在 60 秒的短影音，正常語速大概就是 300 字上下，稿子貼進去看到 420 字，你就知道要砍，不用等錄完才發現超時。不確定怎麼用可以先按「載入範例」看一次。
語速有四個選項：慢（教學、長輩向）240 字/分、正常（一般口播）300 字/分、快（短影音節奏）360 字/分，以及第四個「配合影片長度」。前三個是用平均語速往下推，適合還沒剪完、或者只是要先出一版粗略字幕的時候；第四個是輸入影片實際長度，它會反推你這支影片的實際語速，把整份稿子的時間軸壓縮或拉長到剛好吻合，已經有影片的人用這個最準。語速不在這三檔裡的，也可以在「自訂每分鐘字數」自己填。
進階設定有三個欄位。「每行最多幾個字」預設 16，說明文字寫得很白：手機直式影片建議 13 到 18 字，超過會被切掉或縮到看不清。「起始時間偏移（秒）」是給影片前面有片頭的人用，有三秒片頭就填 3，整份字幕往後推。「句末停頓（秒）」則是調每一句結束後留多久空白，講話有明顯換氣習慣的人可以拉長一點。
設定完直接下載 .srt 或 .vtt。.srt 是通用格式，剪映、CapCut、Premiere、DaVinci、Final Cut 與 YouTube 後台都吃，.vtt 給網頁播放器用。全部在瀏覽器計算，稿子不會上傳、不呼叫 AI、不消耗額度，你可以一個下午把這週五支影片的字幕全部做完。
為什麼這件事值得做好
短影音這幾年把字幕變成了標配，因為多數人是在捷運上、辦公室裡靜音滑的，沒字幕等於沒聲音。但字幕的生產方式幾乎沒有跟著進步，不是人工拉軸就是機器辨識，兩條路都在做一件多餘的事：把你已經知道的內容再猜一次。對一個人的小團隊來說，這段時間是直接從「想下一支要講什麼」裡扣掉的，而我的經驗是，一週能穩定出幾支，多半就卡在這種後製碎事上，不是卡在沒想法。
我覺得語音辨識被高估的地方在校對成本。辨識準確率看起來有九成多，但剩下那幾個錯字剛好集中在最不能錯的地方：品牌名、產品名、數字、價格。你的觀眾不會記得你哪 95% 對了，只會截圖那個把「母親節 88 折」打成「母親節爸爸折」的畫面。校對這些字的時間，常常比一開始就用正確稿子多出一倍。
另一個被忽略的點是斷句品質。機器辨識是照聲音切，常常半句話擠成兩行、或一行塞二十幾個字讀不完。照標點斷句的字幕，一行一個完整意思，觀眾閱讀的節奏跟你講話的節奏是一致的。這件事對完播率的影響我沒辦法給你精確數字，但我手上幾個學員換成照稿斷句之後，留言裡「字幕好讀」這類回饋確實變多了。
當然它也有做不到的事。它不知道你哪一句講得特別慢、哪裡停了兩秒想詞，所以時間軸是推算出來的，不是對著聲音對出來的。語速平穩的口播會很接近，講話忽快忽慢的人，匯進剪輯軟體後個別幾句還是要拉一下。我自己錄東西就是忽快忽慢那種（講到興奮處會飆），所以我的做法是一定用「配合影片長度」反推，整體對齊之後再微調兩三句，比從零拉軸還是快非常多。
幾個實際建議
第一，標點要先打好再貼。這支工具是照逗號、句號斷句的，如果你的口播稿是一大段沒有標點的文字，切出來的行會很機械。花一分鐘在該換氣的地方補逗號，字幕的節奏就會像人在說話。
第二，已經剪好的影片一律用「配合影片長度」。三檔預設語速是平均值，你的實際語速一定有偏差，三分鐘的影片差 10% 就是 18 秒，匯進去會整段漂移。輸入實際長度讓它反推，誤差會收斂到個別句子的層級。
第三，直式影片把「每行最多幾個字」抓在 14 到 16 之間，橫式可以放到 20 上下。字幕被切掉是手機上最常見的災難，而且剪輯軟體的預覽是在電腦螢幕上看的，你不會發現。寧可多一行也不要被切。
第四，先出字幕再剪片頭，或者記得填偏移。很多人剪完片頭才做字幕，忘了算偏移，整份字幕早了三秒。要嘛先做字幕再加片頭，要嘛在「起始時間偏移」填上片頭秒數。這個雷我踩過不只一次，匯出之後整支看完才發現對不上，重匯一次又是十分鐘。
小結
你手上已經有最準的逐字稿，字幕不需要再讓機器猜一遍。稿子貼上去，選語速或填影片長度，調好每行字數與偏移，下載 .srt 匯進剪輯軟體。三分鐘影片的字幕，從半小時變成一分鐘加幾句微調，省下的時間拿去想下一支要講什麼。