给采访、腕表介绍、产品评测或短视频加字幕，最花时间的往往不是打字，而是把口语整理成准确、易读、与画面同步的文字。现在的 AI 语音识别可以先生成逐字稿，编辑再处理专有名词、时间轴和翻译，效率比从零逐字输入高得多。不过，自动转录不等于可直接发布的字幕：人名、品牌、数字、口音、重叠说话和背景声音，仍需要人工复核。那么，AI 视频字幕 怎么做才最有效？

本文以常见的采访及中英双语视频为例，说明 AI 视频字幕的九个制作步骤。它是一套可供读者执行的编辑流程，不是声称作者已经用某个特定工具完成了全部测试；工具界面和可用功能会随版本及账号变化。

先弄清楚：逐字稿、字幕、翻译字幕有什么分别？

逐字稿（Transcript）记录说话内容，未必附有时间码；字幕（Subtitles/Captions）则需要配合视频时间出现。面向无障碍需求的 Captions 还应在必要时说明重要声音、说话者身份，例如「[掌声]」或「[音乐响起]」。不同地区对字幕与 captions 的用语略有差异。W3C 的视频字幕指南特别强调同步及非语音信息的重要性。

同语字幕保留原语种，例如英语访谈配英语字幕；翻译字幕则把英语翻成中文。最稳妥的流程是先校正原语字幕，再制作译文，避免把听错的内容一起翻译。已有关于 AI 翻译的检查框架，可以延伸阅读本站《AI 翻译校对怎么办？从初稿到可交付译文的 8 个检查步骤》。

AI 视频字幕制作的 9 个步骤

1．先确认影片用途、语言与交付格式

准备开始前，确认影片会放在 YouTube、网站、社交媒体，还是交付给客户。横向长视频、竖向短视频和网站嵌入视频的字幕呈现方式不同。也要确定原音语言、是否需要中英双语，以及交付的是可开关字幕文件还是烧录在画面里的字幕。

可开关字幕便于观众选择语言、调整显示方式，也更适合无障碍需求；烧录字幕不需要播放器支持，却不能由观众关闭。两者不必二选一，重要影片可同时准备视频成品与独立字幕文件。

2．整理音频，尽量减少背景噪音

如果原片包含明显的空调声、音乐、环境噪音或多位受访者同时讲话，先在剪辑软件检查音轨。适当的降噪和音量平衡有帮助，但过度处理可能让语音失真。先截取一小段含人声、品牌名和背景噪音的样本测试，确认识别结果是否可靠，再处理整段视频。

对于马来西亚常见的中文、英文、粤语和马来语混用影片，尤其要留意模型是否错误地把语言统一成一种；不要因为字幕看起来通顺就认定它听对了。

3．用语音识别工具生成第一版逐字稿

可以选择影片平台的自动字幕、剪辑软件内建的 Speech-to-Text，或独立的语音识别工具。YouTube 官方自动字幕说明明确提醒，口音、方言、背景噪音及多人重叠讲话都会影响准确度，自动字幕应经过检查和修改。

例如，Adobe Premiere 的转录说明介绍了选择语言、辨识说话者与指定音轨的做法；不同版本及订阅可用功能请以当前软件为准。第一次转录时先保留原始输出，不要立刻让 AI 大幅润饰，以免无法判断究竟是识别错误还是编辑改写。

4．逐句核对专有名词、人名、数字与单位

这是最不能省略的一步。采访中经常出现品牌、产品型号、机构名称、价格、年份及技术规格。AI 可能把「GMT」听成一般词语，把腕表型号中的数字听错，或把马来西亚地名转成近似发音的英文。建立一张专有名词核对表，逐一对照受访者提供的资料、官网规格或原始新闻稿。

建议用「时间码｜AI 原稿｜核对后文字｜证据或备注」四栏记录修改。凡是涉及事实的数字、头衔与引用，不应只靠模型猜测；可参考本站《用 ChatGPT 查资料，怎样判断来源可信？AI 事实核查的 7 个步骤》。

5．把口语整理成可读字幕，但不要篡改原意

口语中的「嗯」「啊」和重复词，是否保留，要看内容类型。逐字记录型访谈、纪录片与证据材料应尽量忠实；一般品牌介绍和知识型视频可适度去掉无意义口头禅，但不能删掉关键限定语，例如「可能」「大约」「并非所有」。

中文标点、专有名词大小写和数字写法应统一。不要为了让一句字幕变短，就把「可能提升」改成「一定提升」。这一步是编辑，不是让 AI 自由创作另一篇文案。

6．校准时间码、断句与画面安全区域

每段字幕应在对应语音开始附近出现，并在语音结束后及时消失。检查快速对话、停顿、切镜头和讲话者转换的位置；不要把一句话切到前后不相关的镜头。Adobe 的字幕制作说明列出可调整每段长度、持续时间、行数与间隔的选项。

字数和显示时间没有适用于所有语言及平台的万能数字。中文通常以短句、自然语义停顿为优先；在手机竖屏观看时，还要避开平台可能叠加的账号名称、按钮与说明文字。不要把字幕塞到最底部而被社交平台界面遮住。

7．需要双语时，先定稿原文，再翻译和校对

把已核对的英语字幕翻成中文，比直接从杂乱的英文 AI 初稿翻译更可靠。翻译应保持术语一致、句子精炼，且适合观看速度。一个常见陷阱是英文原句很短，中文却被翻译成冗长的书面语，结果字幕来不及读完。

可以让 ChatGPT 协助检查「有没有漏译、误译、语气过强、数字不一致」，但不应要求它凭空补足听不清的部分。若原音无法确认，应回听或向受访者求证，不能把模型推测写成确定发言。

可复用提示词：

你是视频字幕编辑。请根据我提供的已校正英文字幕与时间码，制作简体中文翻译。保留原有编号和时间码，不增加受访者没有说过的信息；人名、品牌、型号与数字必须与原文一致。每句尽量精炼，遇到有歧义的术语请标记「待核对」，不要自行猜测。输出两栏：英文原句、中文译文；最后列出需要人工确认的地方。

8．导出 SRT 或 VTT，并做格式检查

SRT 是常见的独立字幕文件格式，通常包含序号、起止时间和文字；WebVTT（.vtt）常用于网页视频。以下是 SRT 的简化示例：

1
00:00:01,000 --> 00:00:03,200
欢迎来到今天的采访。

2
00:00:03,300 --> 00:00:06,000
我们先谈谈这款腕表的设计。

注意 SRT 时间码使用逗号表示毫秒；VTT 通常使用句点，并有自己的文件格式要求。把文件保存为 UTF-8，检查中文是否乱码、编号是否连续、时间码是否重叠，以及影片长度是否与最后一段字幕吻合。若在网站嵌入 HTML5 视频，W3C 也提供使用 <track> 元素挂载字幕的技术说明。

9．用手机和电脑完整看一遍，再发布

最后不要只检查字幕文件：实际播放一次视频，分别在电脑及手机检查文字大小、遮挡、换行、同步和译文。最好使用耳机复核难辨认的片段。若准备上传 YouTube，进入 YouTube Studio 的「字幕」区域检查自动生成内容；官方帮助页也说明了自动字幕的修改入口。

发布后若发现受访者姓名、产品规格或翻译错误，应更新字幕文件并记录版本。若同一视频在多个平台发布，记得同步更正，不要只修其中一处。

用 ChatGPT 做字幕，最适合交给它哪些工作？

ChatGPT 最适合在已经取得可靠逐字稿后承担语言编辑工作：统一品牌名与术语、检查数字前后是否一致、把长句拆成易读短句、整理双语对照、输出待核对清单，以及把字幕改写成影片简介。它是否能直接读取、听取或转录某种视频文件，取决于当前使用的功能、文件支持与环境，不能把「可上传文件」等同于「必然能准确转录全部音轨」。关于文件处理边界，可延伸阅读本站《ChatGPT 文件上传怎么用？PDF、Excel 与资料分析的 8 个实用方法》。

对于客户访谈、未公开新品和私人录音，上传第三方服务前先确认保密协议、受访者同意、工具的数据使用条款和资料保存政策。能在本机完成的工作，不必为了方便把所有原始音视频都交给云端。

常见问题 FAQ

AI 自动字幕可以完全不校对吗？

不建议。即使一般对话识别不错，品牌型号、数字、口音和多人交谈仍容易出错。YouTube 官方也明确建议创作者复查自动字幕。

双语字幕应该同时显示中英文吗？

视画面空间和观众需要而定。长视频可优先提供可切换语言轨道；短视频若必须双语同屏，应减少每行文字并实际测试手机显示。

字幕与逐字稿能互相取代吗？

不能完全取代。逐字稿方便搜索和编辑，字幕则需要准确的时间轴。无障碍字幕还可能包含重要非语音声音信息。

AI 可以直接生成 SRT 吗？

可以根据已经核实的时间码与文本整理 SRT 结构，但若没有真实音频时间信息，AI 猜出来的时间码不可靠。务必在剪辑软件或播放器中验证同步。

WordPress 网站应该用哪一种字幕？

若使用支持字幕轨道的 HTML5 视频播放器，可考虑 WebVTT 与 <track>；若使用第三方视频嵌入，则依平台的字幕功能操作。应先检查播放器实际兼容性。

小结：把 AI 当作字幕初稿工具，而不是最后审稿人

高质量 AI 视频字幕不是「上传影片、按一下按钮」就结束。真正可交付的流程是：整理音轨 → 自动转录 → 核实内容 → 编辑断句 → 校准时间 → 翻译复核 → 导出字幕 → 跨设备检查。对采访、产品评测和内容创作者而言，AI 可以减少机械性输入，但专业判断仍体现在每个名字、数字、语气与时间点是否准确。