把 4 分 38 秒口播拆成 97 条轴之前,我先在纸上画了三次断句线
用 0.8 毫米的自动铅笔在 A4 上画,第一遍按标点断,第二遍按呼吸断,第三遍按语义单元断,三稿叠起来看差异, 最后留下来的分割点只有 61 个。这个数字后来被我当成判断一份轴「是否过度切割」的经验参照。
全部手工对齐,导出的 TVPaint 时间码是 00:04:38:12,末尾多出 12 帧, 那 12 帧来自一个把「啊」当语气词又当标点的口误。这篇归类页收录了我在中文文字字幕视频制作工具上折腾出来的 十二篇条目——关于断句、行宽、字重、行距、时间码与字体回退,都是可以拆开复用的具体问题,不是一份工具清单。
用 0.8 毫米的自动铅笔在 A4 上画,第一遍按标点断,第二遍按呼吸断,第三遍按语义单元断,三稿叠起来看差异, 最后留下来的分割点只有 61 个。这个数字后来被我当成判断一份轴「是否过度切割」的经验参照。
我并不是在推荐片子,而是把它当作一个节拍样本:一个镜头平均 3.2 秒,字幕块就跟着这个节拍走, 每块最多 14 个汉字。超出之后观众的视线会在行末打滑,这个观察我在 2026 年 3 月连着验证了五段素材。
帧号进位是最容易被写错的地方,25 帧和 30 帧的边界在跨分钟时会分叉。我建议所有做中文文字字幕的人 先手写一张 0—59 帧对照表,贴在显示器边框上,比任何校验脚本都直观。
可变帧率、非整数缩放、音轨偏移 180 毫秒,三个坑依次出现。第三个最难查,因为画面对得上,只有字幕 整体早半拍。后来我在每段素材开头加了 1 秒的口播报数,问题立刻现形。
答案在 Style 行的第四个字段。SRT 没有字体权重概念,ASS 有,转换器往往默认填 N, 而 N 在部分中文字体里映射到的其实是 Regular 而非 Medium。改一个字母,笔画粗细差将近 0.4 像素。
上下各留 19% 给遮挡与手势条。这个数字我是拿着卡尺在六台不同尺寸的安卓机上量的, 从 5.5 英寸到 6.8 英寸,安全区的比例反而更窄,因为底部手势条在变大。
问题出在 font-family 里写了思源黑体的中文名却没写英文名,某些渲染器直接跳过。 补上 "Source Han Sans SC" 之后,回退链终于连贯。这种事写不进规范,只能靠一次次撞。
一场 96 分钟的片子,中文字幕块 1,043 个,平均每块 5.5 秒,最短的一块 1.2 秒只有四个字。 散场后我在手机备忘录里记下一句:短块不等于快节奏,长块也不等于慢,中间还有呼吸。
调完之后,那份 97 条的轴里被标红的条目从 23 条降到 9 条,剩下的 9 条我看了一遍,有 7 条是脚本误报, 另外 2 条确实要手动挪。这个细节说明:自动化只能把人的注意力集中到该看的地方,不能替代判断。
16 字一行的回看率高出 11%,但完整看完的比例低 4%。结论不是「必须 14 字」,而是「长行适合信息密度高 而节奏慢的内容,短行适合需要观众跟读的解说」。一刀切的规范都是有代价的。
删节号占两个字符宽,如果按单字符处理,行末会突然多出半个字的空白。我习惯把删节号单独开一个样式, 左对齐后再手动补偿 0.1 em。麻烦,但上屏之后那种齐整感,观众不一定说得出来,却一定感觉得到。
剪过的工程文件会烂,播放器会升级,但一份纯文本的轴,十年后记事本还能打开。 这句话不文艺,是我在 2026 年 5 月丢掉一个旧工程之后总结出来的,代价是三个下午。