AI 视频生产流水线实战 · 第 07 章 字幕与对齐

AI 视频生产流水线实战 · 第 07 章 字幕与对齐

章节摘要：字幕在流水线里身兼两职：对观众，它是 noisy 环境下看懂台词的第二通道；对流水线，它是由 ASR 时间戳驱动、可自动校验的文本资产。7.1 节做 Whisper 本地转写——讲清"已有台本为何还要转写"，给出模型规格选择表、本地跑法写法示意，以及中文转写的三大错型与 initial_prompt、术语表后校正两道防线，末尾辨析 segment 与 word 两档时间戳粒度；7.2 节做时间轴对齐与样式——把转写段加工成合规的字幕 cue（每行字数、最短最长停留、不跨镜头锚点），比较烧录与外挂两种交付形态，并把字体、描边、边距收进一份可复用的样式模板。本章结束后，成片带上"能自动生成的第二通道"。

学习目标

• 说清转写在"已有台本"前提下仍不可省的三个理由。
• 按显存与速度口径选择 Whisper 模型规格并用本地方式跑通。
• 用台本注入与术语表后校正压低中文错字率。
• 区分 segment 与 word 时间戳粒度并按需选用。
• 把转写段加工成满足字数与时长规则的字幕 cue。
• 在烧录与外挂之间按平台与迭代需求做选择，并模板化管理样式。

核心概念速览

字幕子流水线：从音轨到可交付字幕

 成片音轨（6.2 归一化产物）
    │ 7.1 Whisper 本地转写（initial_prompt 用台本喂风格）
    ▼
 asr_result.json ── 术语表后校正 ──▶ asr_fixed.json
    │ 7.2 分段规则：每行约 14~18 字、最短 1.2s 最长 6s、不跨镜头锚点
    ▼
 cues.json ── 样式模板 style.json ──▶ SRT（外挂） / ASS（烧录）
                                    └─▶ validate_cues 静态校验后放行
​

一句话金句：字幕是给观众的第二通道，也是给流水线的校验器。

子章节导航

• 第 7.1 节《Whisper 转写》：转写的三个理由、模型规格表、本地跑法、中文错型与两道防线、时间戳粒度。
• 第 7.2 节《时间轴对齐与样式》：cue 分段规则、SRT 与 ASS 格式、烧录对比外挂、样式模板化与静态校验。

两节强依赖：7.2 的全部输入是 7.1 的 asr_fixed.json，先转写后加工，顺序不可交换。

子章节之间的逻辑关系

┌────────────────┐  asr_result.json  ┌────────────────┐  cues + 样式
│ 7.1 Whisper 转写│ ───────────────▶ │ 7.2 对齐与样式  │ ───────────▶ 烧录成片
│ 模型/错型/粒度  │   术语表后校正      │ 分段/格式/模板  │             或外挂字幕
└───────┬────────┘                   └───────┬────────┘
        │ 反向校验配音（对账台本）              │ validate_cues 进质量门禁
        └────────────────────────────────────┴─▶ 第 10 章《质量与成本》
​

前置知识与后续延伸

• 前置：第 06 章《音频层》——转写对象是 6.2 节归一化后的成片音轨，锚点表来自 6.3 节；第 05 章《时间线与合成》——字幕轨最终叠在时间线最上层。
• 原理延伸：ai-engineering-from-scratch 第 07 章《语音与音频》——ASR 的声学模型与解码原理，本章只谈工程用法。
• 后续：第 10 章《质量与成本》把 cue 校验挂进质量门禁；第 11 章《发布与合规》的交付变体里，字幕文件是与成片并列的交付物。

版权与合规提醒：本节涉及的素材、音乐与模型生成内容均需确认授权；成片发布时应遵守平台规范并按当地法规履行 AI 生成内容标识义务。