短影音字幕自動化：不用再一句一句打

剪一支一分鐘的口播影片，剪接本身十幾分鐘就弄完了，上字幕卻要花上好幾倍的時間。一句一句聽、一句一句打，打完發現時間軸對不上，再一句一句拉。很多做短影音的人都卡在這一步，最後不是放棄字幕，就是一週只能出一兩支片。

現在幾乎每套剪輯軟體都有自動字幕，按一個鍵就能把整段話轉成文字。但按完之後，你還是要坐在那裡改半天：品牌名被聽成別的字、英文縮寫變成一串奇怪的中文、一行字長到蓋住半個畫面。

我是熊董，川輝科技創辦人。我現在一個人加 AI，一年交付 2,000 萬以上的客製系統，同時經營 IG 和 Podcast《熊董不上班》。內容是我自己做的，所以剪片、上字幕這些事我每週都在處理，也因此做了免費開源的 BearCut 來處理自動順剪。這篇講的是順剪之後的下一步：字幕。

自動字幕現在不難，難的是「自動之後」。語音辨識能幫你把大部分的字打出來，但剩下的錯字、專有名詞、斷句和用語，才是真正吃掉時間的地方。省時間的做法是固定一條順序：先順剪、再辨識、用一份自己累積的詞彙表批次校正、照固定規則斷句，最後才套樣式。常錯的詞記下來，每支影片都會比上一支快；順序一錯，例如先上字幕再剪片，前面的功夫就要整段重來。

自動字幕都有了，為什麼上字幕還是要那麼久？

先講清楚，自動字幕工具真的很好用。幾年前上字幕是純手工活，現在按一個鍵，整段話就變成有時間軸的文字。想用工具解決字幕問題，方向完全正確。

但用了一陣子你會發現，時間並沒有省下那麼多。原因是辨識完成只是第一步，後面還有四件事要人處理：

• 專有名詞：你的品牌名、產品名、人名、行業術語，辨識模型沒看過，就會猜成發音相近的字。
• 中英夾雜：講到 AI、ERP、IG 這類縮寫，常被辨識成奇怪的組合。
• 用語和字形：有些工具預設輸出簡體或對岸用語，要再轉成台灣習慣的寫法。
• 斷句：辨識出來的一句話可能很長，直接放上畫面，在手機上會變成兩三行，擋住臉，也讀不完。

中文的辨識還有一個特別的麻煩：同音字太多。英文辨識錯了，常常一看就知道是錯字；中文辨識錯了，可能是一個完全通順、但意思不對的詞，你不仔細聽還看不出來。這也是為什麼校正不能只靠掃一眼。

這四件事，每一支影片都會重複出現，而且多半是同樣的錯。這就是重點：既然是重複的錯，就可以用重複的方法解決，不用每次從頭改。

字幕流程的正確順序：先剪再上字幕

在講工具之前，先講順序。很多人上字幕很痛苦，其實是順序錯了。

最常見的錯誤是先把整段原始影片丟去辨識、上好字幕，再開始剪。結果每剪掉一段停頓或口誤，後面的字幕時間軸就全部偏移，要一段一段重新對。剪得越多，對得越久。

正確的順序是這樣：

1. 先順剪：把停頓、口誤、重講的段落剪掉，得到最終版本的口播。這一步可以用自動順剪工具處理，做法我在自動順剪是什麼那篇講過。
2. 再辨識：對剪好的版本做語音辨識，這時候時間軸就是最終的時間軸，之後不會再動。
3. 批次校正：用你的詞彙表把常錯的詞一次替換掉，再快速看一遍。
4. 照規則斷句：把太長的句子切開，讓每一行在手機上都讀得完。
5. 最後套樣式：字型、大小、顏色、位置，用固定的範本一次套上。

這個順序的原則是：會改變時間軸的事情先做，跟文字有關的事情後做，跟外觀有關的事情最後做。每一步做完，就不會因為下一步而重來。

三種自動字幕做法，怎麼選？

自動字幕大致有三種做法，各有適合的人：

做法	優點	要注意的地方	適合誰
剪輯軟體內建的自動字幕	不用換工具，辨識完直接在時間軸上改	詞彙表與批次替換功能因軟體而異	剛開始做、片量不大的人
獨立的語音辨識服務	通常可以設定專有名詞、輸出字幕檔	要多一步匯入匯出	片量穩定、想要較高準確度的人
開源語音辨識模型自己跑	可以在自己電腦上處理，影片不用上傳	要一點技術門檻設定環境	在意隱私、片量大、願意花時間設定的人

這三種沒有絕對的好壞。如果你一週只出一兩支片，剪輯軟體內建的就夠用了，與其研究工具，不如把時間花在建詞彙表。如果你一週出很多支，或影片內容涉及客戶資料、不方便上傳到外部服務，開源模型在自己電腦上跑會比較安心，像 Whisper 這類開源語音辨識模型，就是很多人在用的選擇。

選工具的時候，我會看兩件事，而不是看誰的辨識率號稱比較高：第一，能不能輸出標準的字幕檔，例如 SRT，這樣你的字幕不會被綁在某一套軟體裡；第二，能不能做批次替換或自訂詞彙，這決定了你的校正時間會不會越來越短。

還有一個提醒：不要一直換工具。每換一套，你要重新熟悉介面、重新設定樣式、詞彙表也可能要重新匯入。我看過不少人花在比較字幕工具上的時間，比實際上字幕的時間還多。挑一個符合上面兩個條件的，用滿一兩個月，確定真的卡住了再換，通常比追著新工具跑有效率得多。

校正最花時間：建一份你自己的詞彙表

前面講過，大部分的錯是重複的。所以最有效的省時方法，不是換更好的辨識工具，而是建一份屬於你自己的詞彙表。

做法很簡單：每次校正字幕時，把改過的詞記下來，左邊是辨識錯的樣子，右邊是正確的寫法。

辨識常出現的樣子	正確寫法	類型
發音相近的錯字組合	你的品牌名或帳號名	專有名詞
被拆成中文字的縮寫	AI、ERP、IG	中英夾雜
非台灣慣用的詞	台灣慣用詞，例如影片、使用者、軟體	用語
簡體字形	繁體字形	字形
口頭禪，例如然後、那個	刪除或保留，依你的風格	口語

累積十幾二十支影片之後，這份表會涵蓋你大部分的常見錯誤。之後每支影片辨識完，先用這份表做一次批次替換，剩下要手動改的就少很多。

這一步也很適合交給 AI。把辨識出來的字幕檔和你的詞彙表一起交給 AI，請它照表校正。我常用的指令大概是這樣，可以直接拿去改：

以下是一份字幕檔和一份詞彙對照表。請依照對照表修正字幕中的錯字，並把用語改成台灣繁體中文的習慣寫法。只能修改文字，不要更動任何時間碼，不要合併或拆分字幕段落，不要增加原本沒有說的內容。修改完請另外列出你改了哪些地方。

詞彙表本身要放在一個固定的地方，例如一份共用文件或試算表，每次校正完就順手補上新的詞。我會每個月整理一次，把重複的合併、把已經不再出現的刪掉。如果你有剪輯助理或外包，也把同一份表給他，大家用同一套寫法，字幕的品質才不會因為換人就變。

回到那段指令，最後那一句很重要。讓 AI 列出它改了什麼，你只要檢查那幾處，不用整份重看。也要特別要求它不能動時間碼、不能自己加內容，否則它可能會「幫你潤飾」，結果字幕跟你講的話對不上。

斷句與樣式：手機上看得舒服的規則

字幕的錯字改完了，還有一件事決定觀眾會不會看下去：好不好讀。

短影音幾乎都在手機上直式觀看，畫面窄，觀眾滑得又快。我自己的幾個習慣規則是這樣：

• 一行不要太長：直式影片一行字最好在畫面寬度內放得下，不要折成兩行。太長的句子在語意停頓的地方切開，分成兩段字幕。
• 一段字幕只放一個意思：觀眾瞄一眼就要看懂，一段放兩個意思，他會跟不上。
• 句尾不放標點：字幕裡的逗號、句號佔空間又沒什麼作用，用斷句本身表達停頓就好。
• 重點字少量上色：整支影片只挑真正的關鍵詞上色，到處都上色等於沒有重點。
• 避開介面遮擋區：平台的按鈕、帳號名稱、說明文字會蓋住畫面下方和右側，字幕要放在安全範圍內。

舉個例子。假設你講了一句：「很多老闆以為導入系統最難的是選廠商，其實最難的是先決定哪些流程不要做。」這句話直接放上畫面，在手機上會折成三行。照規則切，可以變成三段字幕：「很多老闆以為導入系統」「最難的是選廠商」「其實最難的是先決定哪些流程不要做」。最後一段如果還是太長，可以再切成「其實最難的是」「先決定哪些流程不要做」。每一段都在語意停頓的地方切，觀眾讀起來就跟聽你講話的節奏一樣。

斷句也可以交給 AI 先做一輪，請它在不改字、不動時間碼的前提下，把超過一定長度的段落從語意停頓處切開。切完你再看一遍，通常只要微調幾處。

這些規則定好之後做成一個樣式範本，每支影片直接套用。外觀的一致性，本身就是你帳號辨識度的一部分。

字幕要燒進影片，還是上傳字幕檔？

最後一個常見問題：字幕要直接燒進影片畫面裡，還是另外上傳字幕檔讓平台顯示？

短影音平台多數建議燒進去。因為很多人在靜音狀態下滑影片，燒進畫面的字幕一定看得到，樣式也完全由你控制。長影片平台則可以考慮上傳字幕檔，觀眾可以自己開關，平台也能讀取字幕內容。

不過不管燒不燒進去，我都會建議把字幕檔留下來。一支影片的字幕檔，其實就是一份整理好的逐字稿，可以拿來改寫成貼文、輪播圖、電子報的素材。拍一次、用好幾次，這才是一人做內容能持續下去的方式。整個從拍攝到上架的流程怎麼串，可以看 AI 剪片工作流那篇；我每天實際在用哪些工具，則整理在一人公司的 AI 工具組。

常見問題

自動字幕的準確度夠用嗎？

對一般口播來說，現在的語音辨識已經能打出大部分的字，主要錯在專有名詞、中英夾雜和用語。與其追求準確度最高的工具，不如建一份自己的詞彙表做批次校正，每多做一支影片，要手動改的地方就越少。

上字幕應該在剪片前還是剪片後？

剪片後。先把停頓、口誤剪掉，得到最終版本，再做語音辨識，這樣字幕的時間軸就不會再變動。如果先上字幕再剪，每剪掉一段，後面的字幕都要重新對時間，等於白做。

可以直接用 AI 幫字幕校正嗎？

可以，把字幕檔和詞彙對照表一起交給 AI，要求它只改文字、不動時間碼、不增加內容，並列出修改的地方。你只需要檢查它列出來的那幾處，比整份重看快很多。記得最後還是要自己看過一次再發布。

短影音字幕燒進影片好，還是上傳字幕檔好？

短影音平台建議燒進影片，因為很多人靜音觀看，燒進去的字幕一定看得到，樣式也由你控制。長影片平台可以上傳字幕檔。不管哪一種，都把字幕檔留下來，它可以再改寫成貼文或文章的素材。

字幕省時的關鍵，是讓每支片都比上一支快

一句話收尾：自動字幕真正幫你省時間的，不是辨識那一下，而是固定的順序加上越用越完整的詞彙表。先剪再上字幕，錯的詞記下來，規則做成範本，你每做一支影片，下一支就會更快一點。

如果你是一個人在做內容和生意，想把剪片、字幕、發文到接單這整條線一次理順，可以看看一人公司陪跑怎麼一週一週陪你把工作流搭起來。