实操指南：如何用AI在十分钟内给视频加字幕

一条成片最耗时间的，往往不是剪辑，而是把说话内容变成能看清的字幕。口播五分钟，手打加对轴就能耗掉一个下午。下面这条路径，是我们在处理台里反复走通的：从选片到导出，十分钟内做出能发布的版本。

先判断这条视频适不适合「听写」

有原声、口齿清楚、环境不太吵的口播，最适合走语音识别。如果轨里几乎没人声，只有烧在画面上的字，就改走硬字幕识别，别硬用听写。

上传后处理台会先看时长、分辨率和有没有人声。检测结束再勾选功能，比一上来全开更省额度。

十分钟路径

1. 打开处理台，拖入本地 MP4 / MOV。素材留在浏览器里，不会进公共池。
2. 等检测结束后，勾选「AI 字幕生成」。嘈杂或口音重时，语言选「自动」往往比锁死中文更稳。
3. 识别完成后进入审校：改错字、拆超过一行的长句、把起止点贴到气口上。
4. 导出烧录字幕的 MP4，或另存 SRT / VTT 丢进剪映、Premiere。

免费版这项每月 1 次，够你先跑通流程。样式、双语和额度说明见功能介绍与定价。

审校时只盯三件事

• 错字：人名、品牌、数字最容易飘，发布前扫一遍。
• 一行长度：竖屏建议每行不超过 14 个汉字，横屏可以略宽，但不要挡住人脸。
• 出没点：字幕应在开口前约 0.1 秒出现，在收声后马上消失，比「整句贴死」更跟嘴。

常见翻车

录音底噪大、多人抢话、或者把竖屏当横屏去听，准确率都会掉。这时与其反复重跑模型，不如先剪掉片头片尾的空镜，再识别。识别完仍要人工过一眼——模型负责快，你负责最后一公里。

做完字幕如果还要配音，按同一条轴合成，见AI 配音。翻译见双语字幕出海，封面可以看2026 年创作者后期。