7.2 时间轴对齐与样式

7.2 时间轴对齐与样式

本节摘要：转写段离"好字幕"还差三步：切、装、检。切，是把秒级 segment 按每行字数上限、标点气口与镜头锚点切成 cue，并用最短与最长停留时长钳制——一条 cue 是观众的一次注视，不能太长也不能一闪而过。装，是选容器与样式：SRT 简单通用适合外挂，ASS 带完整样式层适合烧录；字体、字号、描边、边距收进一份 style 模板，改一处全片生效。检，是静态校验加人工快放：重叠、越界、超字数由脚本拦截，观感由人眼最后把关。本节末尾辨析烧录与外挂的取舍，并给出竖屏安全区的口径建议。

学习目标

• 按字数、标点、锚点三重规则把转写段切成合格的 cue。
• 写出 SRT 与 ASS 两种格式的结构并说明各自适用面。
• 完成带样式的字幕烧录，并避开路径与字体两个经典坑。
• 用一份样式模板管理全片字幕外观，改一处全片生效。
• 跑通 cue 静态校验并以一点二五倍速做人工快放。

一、从转写段到 cue：三条切分规则

转写给的 segment 是"声学段落"，不是"阅读单位"。观众读字幕的速度有限，经验口径是：中文每行不超过十四到十八字，一条 cue 最短停留约一点二秒、最长约六秒，切分点优先选标点与气口，且不跨越镜头边界（用第 6.3 节锚点表判定）。三条规则的优先级：镜头边界高于标点，标点高于字数——宁可让一条 cue 短一点，也不能让它横跨一次画面切换。

切分示意（一条 segment 的三种命运）

 segment 原文：暴雨里的最后一单，备注写着没有收件人。
                   │
        ┌──────────┼───────────────┐
   字数超限？   有标点？      跨镜头锚点？
   否→整段一条  是→按标点切    是→在锚点处强制切
                   ▼
 cue1: 暴雨里的最后一单，     [0.8s, 2.6s]
 cue2: 备注写着没有收件人。   [2.6s, 4.9s]
​

# make_cues.py —— 转写段加工为字幕 cue：切长、并短、钳时长、不跨锚点
import json, re

MAX_CHARS, MIN_DUR, MAX_DUR = 16, 1.2, 6.0

def split_by_punct(text):
    parts = re.split(r"(?<=[，。？！；、])", text)
    return [p for p in (s.strip() for s in parts) if p]

def shot_at(t, anchors):
    for a in anchors:
        if a["start"] <= t < a["end"]:
            return a["shot"]
    return anchors[-1]["shot"]

def build(segs, anchors):
    cues, cur = [], None
    def flush():
        nonlocal cur
        if cur:
            cues.append(cur)
            cur = None
    for seg in segs:
        start, end = seg["start"], seg["end"]
        for piece in split_by_punct(seg["text"]):
            if cur and shot_at(start, anchors) != shot_at(cur["start"], anchors):
                flush()
            if (cur and len(cur["text"]) + len(piece) <= MAX_CHARS
                    and start - cur["end"] <= 0.4):
                cur["text"] += piece
                cur["end"] = end
            else:
                flush()
                cur = {"start": start, "end": end, "text": piece}
        flush()
    for c in cues:
        c["end"] = min(c["start"] + MAX_DUR, c["end"] + MIN_DUR) \
            if c["end"] - c["start"] < MIN_DUR else min(c["end"], c["start"] + MAX_DUR)
    return cues

def main(src="build/asr_fixed.json", anchors="build/anchors.json",
         out="build/cues.json"):
    doc = json.load(open(src, encoding="utf-8"))
    anchor_list = json.load(open(anchors, encoding="utf-8"))
    cues = build(doc["segments"], anchor_list)
    with open(out, "w", encoding="utf-8") as f:
        json.dump(cues, f, ensure_ascii=False, indent=2)
    print(f"生成 {len(cues)} 条 cue → {out}")

if __name__ == "__main__":
    main()
​

钳制逻辑读作：短于最短停留的拉到下限，长于最长停留的截到上限。宁可字幕比声音早消失半秒，也不要让它拖到下一个画面里。

二、两种容器：SRT 与 ASS

SRT 是最小公约数：序号、起止时间、一行文字，三件事。它没有样式层，颜色字体全由播放端决定，适合作为外挂字幕与平台上传的通用格式。

# output.srt —— SRT 结构示意
1
00:00:01,240 --> 00:00:03,120
暴雨里的最后一单。

2
00:00:03,400 --> 00:00:05,900
备注写着：没有收件人。
​

ASS 在时间轴之外增加了样式层：一个 Style 行定义字体、字号、颜色、描边、边距与对齐锚点，正文通过样式名引用。烧录场景几乎都用它，因为烧录后样式就凝固在画面里，必须精确可控。

# output.ass —— ASS 样式层结构示意（字段以 ASS 规范为准）
[V4+ Styles]
Format: Name, Fontname, Fontsize, PrimaryColour, OutlineColour, Outline, MarginV, Alignment
Style: Main,思源黑体 CN,54,&H00FFFFFF,&H00101010,2,60,2

[Events]
Format: Layer, Start, End, Style, Text
Dialogue: 0,0:00:01.24,0:00:03.12,Main,暴雨里的最后一单。
Dialogue: 0,0:00:03.40,0:00:05.90,Main,备注写着：没有收件人。
​

三、烧录还是外挂

实操建议：保留 ASS 母版与外挂 SRT 作为资产，分发版本按平台要求决定是否烧录。烧录用 ffmpeg 的 subtitles 滤镜：

# burn_sub.sh —— 烧录字幕（建议相对路径，规避盘符冒号的转义问题）
ffmpeg -y -i build/rough_cut.mp4 \
  -vf "subtitles=build/output.ass:fontsdir=assets/fonts" \
  -c:a copy deliverables/burned.mp4
​

两个经典坑都在命令细节里：其一，滤镜参数里的路径要避开 Windows 盘符冒号（它会被当作选项分隔符），进工作目录用相对路径最省心；其二，中文字体必须可用，fontsdir 指向资产库字体目录（第 11.2 节的资产库结构），否则烧出来的字幕是方块。

四、样式模板化：一份 style 管全片

字幕样式的需求是典型的"晚定型、常微调"：片子快做完了才知道字体偏小、描边偏脏。把样式收进模板文件，而不是散在几十条 Dialogue 里：

# style.json —— 字幕样式模板（数值为竖屏 1080x1920 的口径示例）
{
  "font": "思源黑体 CN",
  "fontsize": 54,
  "primary": "&H00FFFFFF",
  "outline_color": "&H00101010",
  "outline": 2,
  "margin_v": 60,
  "alignment": 2,
  "bilingual": false,
  "safe_note": "竖屏下避开右侧互动热区与底部进度条，以各平台界面现状为准"
}
​

模板由生成脚本读入并渲染成 ASS 的 Style 行，全片只有这一处定义。竖屏的额外注意：字幕区既要离底边足够远（进度条与手势条会压过来），也要避开右侧点赞评论热区——具体热区随平台版本变动，以各平台界面现状为准，模板里的 safe_note 就是提醒发布前实测一次。

五、静态校验与人工快放

交片前跑一遍 cue 体检：相邻 cue 不得重叠、结束不得越过片长、单条不超字数与时长上限。

# validate_cues.py —— cue 静态校验：重叠、越界、超字数、超时长
import json, sys

MAX_CHARS, MAX_DUR = 16, 6.0

def main(cues_file="build/cues.json", total=None):
    if total is None and len(sys.argv) > 1:
        total = float(sys.argv[1])
    cues = json.load(open(cues_file, encoding="utf-8"))
    problems = []
    for i, c in enumerate(cues):
        if len(c["text"]) > MAX_CHARS:
            problems.append(f"{i}: 超过每行 {MAX_CHARS} 字「{c['text']}」")
        if c["end"] - c["start"] > MAX_DUR:
            problems.append(f"{i}: 停留超过 {MAX_DUR}s")
        if total and c["end"] > total:
            problems.append(f"{i}: 结束时间越界")
        if i and cues[i - 1]["end"] > c["start"]:
            problems.append(f"{i}: 与上一条重叠")
    print("\n".join(problems) or f"{len(cues)} 条 cue 全部通过")
    raise SystemExit(1 if problems else 0)

if __name__ == "__main__":
    main()
​

脚本测得出重叠，测不出"读着累"。人工环节固定为一次一点二五倍速快放：只看字幕，跟不上就说明切分或停留有问题。快放通过，字幕环节收口；该校脚本与流程在第 10.3 节质量门禁中作为常驻检查项。

本节要点回顾

• 切 cue 三规则：每行约十四到十八字、停留约一点二到六秒、不跨镜头锚点。
• SRT 通用做外挂，ASS 带样式层做烧录；保留母版两条路都不堵。
• 烧录的两个坑：滤镜路径避开盘符冒号、中文字体必须随资产库携带。
• 样式收进一份模板，改一处全片生效；竖屏避开平台热区，发布前实测。
• 静态校验拦重叠越界，人工一点二五倍速快放拦"读着累"。

至此，画面、声音、字幕三层俱全，一条单片的流水线已经闭环。但每一步仍是手工挡位。下一章挂上自动挡：把流水线封装成技能，让 Agent 负责路由与重试，并解决长任务最怕的半途而废。