字幕工艺入门：从时轴到交付

字幕制作是一个看似简单实际很讲究的工艺。新手以为就是"听写下来打时间轴"，做了才知道里面水很深。这篇按工作流顺序梳理整个流程。

六个环节

1. 听写

把视频里的对话用文字记下来。听写质量决定了后续所有工作的上限。

• 听不清的地方用 [???] 标记，不要瞎猜
• 标点按原语言规范，不提前本地化
• 跨语言素材（日漫里的英文）单独标记 [EN]
• 专有名词按音译记录，校对时统一

工具选择：

• 纯手工：Subspace Edit、Subtitle Edit
• 半自动：VideoCaptioner（Whisper 转录 + 人工校对）
• 全自动：Whisper large-v3 + 后处理

2. 断句

把听写文本切分成可显示的字幕行。断句质量直接影响可读性。

断句原则：

• 单条字幕不超过 18 个中文字符（日文 24 字）
• 单条字幕显示 1.2-7 秒
• 句末标点（。！？）必断
• 长句在自然停顿处断（逗号、连词前）
• 主谓宾结构尽量不拆散

Aegisub 的"Karaoke"功能可以辅助断句：把整句拆成音节后，按音节重组字幕行，时间戳自动对齐。

3. 时轴

给每条字幕打时间戳。这是最耗时的环节。

时轴原则：

• 字幕出现比声音晚 50-100 毫秒（视觉先于听觉的心理预期）
• 字幕消失比声音早 0-100 毫秒
• 相邻字幕间隔 100-200 毫秒（避免视觉跳切）
• 镜头切换时字幕跟随切换（视觉一致性）

工具：Aegisub 的音频波形可视化是行业标杆，能看到每个音节的能量峰值，对齐时间戳很直观。

4. 校对

时轴完成后通读校对。校对分三轮：

• 一校：错字、漏字、错时戳
• 二校：术语一致性、人名统一、专有名词规范
• 三校：风格统一、语气把握、文化适配

校对最好换人做，自校容易产生"看顺眼"效应。

5. 样式

ASS 字幕的样式包括字体、字号、颜色、边框、阴影、定位。样式不是"好看就行"，要考虑：

• 与画面风格匹配（古风片用宋体，现代片用黑体）
• 与底色对比度足够（深色场景用白字 + 黑边）
• 与阅读距离匹配（电视用大字，手机用小字）
• 与字幕组品牌一致（同组所有作品风格统一）

ASS 样式定义示例：

[V4+ Styles]
Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, MarginL, MarginR, MarginV, Encoding
Style: Default,HarmonyOS Sans SC,48,&H00FFFFFF,&H000000FF,&H00000000,&H64000000,0,0,0,0,100,100,0,0,1,2,1,2,20,20,40,1

6. 压制

把字幕嵌入视频文件。两种方式：

• 软封装：字幕作为独立轨道封装到 mkv/mp4，播放器可选择开关
• 硬压制：字幕"烧"进视频画面，无法关闭

软封装用 ffmpeg：

ffmpeg -i video.mp4 -i subtitle.ass -c copy -c:s ass output.mkv

硬压制：

ffmpeg -i video.mp4 -vf "ass=subtitle.ass" -c:a copy output.mp4

软封装不损失画质，文件小，但播放器兼容性差。硬压制文件大、压制慢，但所有播放器都能看。

常见工具组合

我见过几种主流组合：

日漫组：Aegisub + ffmpeg + ASS

• 优势：ASS 特效支持好，适合做 Karaoke 字幕
• 劣势：协作差，单机模式

纪录片组：Subtitle Edit + Premiere + SRT

• 优势：与剪辑软件集成好，适合长篇
• 劣势：SRT 样式有限

电影组：Arctime + Avid + AAF

• 优势：商业级工作流，专业度高
• 劣势：学习曲线陡峭

AI 流水线：VideoCaptioner + yt-dlp + LLM

• 优势：自动化程度高，适合批量
• 劣势：质量上限受模型限制

新手避坑清单

• 不要用 Word 编辑字幕文件，会写入 BOM 头导致乱码
• 字幕文件保存为 UTF-8 无 BOM
• ASS 文件不能用 `"`` 转义，反斜杠要用双反斜杠
• 中日文标点不要混用，统一为全角
• 数字用半角阿拉伯数字（"5 个"而非"五个"）
• 不要在字幕里加表情、emoji
• 字幕结束前不要超过画面 90% 区域
• 不要让字幕盖住人脸

这些坑我都趟过。

翻译理论札记

写到这里想插入一段翻译理论的思考。奈达的功能对等强调译文读者读到译文时的反应，应当与原文读者读到原文时的反应基本一致，这意味着翻译不是字面替换，而是要在目标语里重新构造等值效果。我们做字幕，观众在屏幕前只有几秒钟读完一行字，反应时间被严重压缩，所以功能对等在字幕里被推到了极端——可读性优先于忠实度。

纽马克的区分更实用：交际翻译关注译文效果，语义翻译关注原文意义。字幕绝大多数时候走交际翻译路线，但遇到关键术语、专有名词、文化负载词时又要切回语义翻译，避免观众被误导。这两条路线在字幕里不停切换，做久了会形成直觉。

韦努蒂的归化异化是另一条轴线。归化是让译文流畅得像目标语原创，异化是保留原文的陌生感。日漫字幕里大量保留"前辈""学园""王道"等词就是异化，因为这些词在中文语境里已经形成了稳定的亚文化共识，强行归化反而失味。但纪录片、欧美剧的台词又需要强归化，否则观众跳戏。题材决定策略，没有一招通吃的方案。

—— 这些理论看起来抽象，但实际做字幕时每天都在用，只是未必意识到。把直觉变成方法论，是新人到熟手的分水岭。