视频字幕 · 识别与校对
36 分钟口播视频的字幕校对实录
自动识别错在哪、怎么查最快
自动识别字幕已经很准了,准到让人忍不住直接用。这期 36 分钟的 Musicful 教程,我们导出了 723 条中文字幕和一份机翻英文字幕,逐条校对下来,中文有 147 条需要改,大约每 5 条就有 1 条。更重要的是,错误高度集中在几类地方——知道这几类,校对速度能快好几倍。
一、错误按类型统计
| 错误类型 | 例子(识别 → 正确) | 大致数量 |
|---|---|---|
| 产品/品牌名 | music for、music four、musical → Musicful;AI之光、AI聚光 → AI追光;istrokeit → DistroKid | 20 处以上 |
| AI 模型名 | Flux two → FLUX.2;Muse image、MOS、MOS1位置 → MOSS-Image;这image → Z-Image | 约 10 处 |
| 人名式产品名 | cloud、load、agent cloud → Claude | 近 10 处 |
| 同音/近音字 | 时间上 → 时间线上;收录栏 → 说明栏;无音合唱 → 福音合唱;放花 → 放烟花 | 约 20 处 |
| 代词 | 指软件的「他」→「它」 | 约 25 处 |
| 单位与数字 | 20兆 → 20MB;d盘100多个g → D盘100多G;MV30秒 → 30秒的MV | 约 5 处 |
| 漏词 | 其中就包括music → 其中就包括Apple Music | 少量 |
| 中英混说 | trap eight o eight → Trap 808;宝律动拉丁雷鬼宋一翔 → 西班牙语 Dembow律动 拉丁雷鬼顿 | 少量但最难 |
可以看到,超过一半的错误集中在专有名词上。识别模型对日常口语已经很准,但它不认识你这期视频里反复出现的产品名、模型名——而这些恰恰是观众最需要看准的词。
二、最快的查错顺序
- 先列一张「专有名词表」:这期视频会出现哪些产品、模型、网站、人名,写成正确拼写。我们这期是 Musicful、Claude、Cowork、DistroKid、FLUX.2、Z-Image、MOSS-Image、LTX-2.5、AI追光、追光剪辑台。
- 用表里每个词的「读音」去搜字幕:Musicful 会被听成 music for、music four、musical,Claude 会被听成 cloud。逐个搜、批量替换,一次能解决一半的问题。
- 再扫代词和同音字:「他/它」是最常见的,讲软件时全文统一成「它」。
- 最后才逐条通读:这时候剩下的错误已经不多,主要是同音字和漏词,边读边改。
- 有原文的段落,以原文为准:视频里唱的歌词、念的口播稿,直接拿原稿对照。我们这期开头 24 段曲风介绍是照着口播稿念的,有一句识别成「宝律动拉丁雷鬼宋一翔派对开场」,对照口播稿才知道原话是「西班牙语、Dembow 律动,拉丁雷鬼顿一响,派对开场」——光靠听,几乎不可能还原。
不要改的地方:口语的语气词、重复、「非常的好」这种说法,只要不影响理解就保留。字幕是给人跟着听的,改成书面语反而会和声音对不上。
三、英文字幕:为什么我们选择整份重译
平台自动生成的英文字幕,是在错误的中文上再做机器翻译,错误会被放大。几个典型例子:
| 中文原意 | 机翻结果 | 问题 |
|---|---|---|
| 欢迎回到 AI追光 | Welcome back to the light of AI | 频道名被意译 |
| 一句提示词 | A cue word | 术语错误,应为 prompt |
| Claude 可以控制 Musicful | Cloud for music | 两个产品名都错 |
| 小于 20 兆的音乐 | Music less than 20 trillion | 「兆」被理解成万亿 |
| 很容易穿模 | It’s easy to mold | 行业术语无法理解 |
逐条修机翻的工作量,和照着校对好的中文重译差不多,而重译的质量高得多。所以我们的做法是:先把中文校对完,再以中文为准整份重译英文,时间轴沿用中文的,一条对一条。中英两份字幕时间轴完全一致,也方便合成双语字幕。
四、顺手做章节时间戳
字幕校对完,整期视频说了什么、在哪一分钟说的,你已经一清二楚了。这是写 YouTube 章节时间戳的最好时机。我们这期 36 分钟分成 22 个章节,规则是:
- 第一个章节必须从 00:00 开始;
- 每个章节至少 10 秒,太碎的合并;
- 章节名 4~12 个字,用观众会搜的词(「商用授权书」「声音克隆」「AI 翻唱」),不用「第一部分」这种空话;
- 时间点取话题开始的第一句字幕的时间,向下取整到秒。
中文章节和英文章节各写一份,放在说明栏里。章节不仅方便观众跳转,也让搜索引擎能看懂视频的结构。
五、成本与收益
这次 723 条字幕,从拿到文件到交付中文、英文、双语三份字幕和章节时间戳,校对本身主要花在第 1、2 步(建名词表、批量替换),逐条通读反而很快。如果每期视频都用同一套名词表,下一期会更快——名词表本身就是可以积累的资产。
结论:自动识别字幕约有 20% 的条目需要修改,错误集中在专有名词和同音字。先建名词表、按读音批量替换,再通读;有原稿的段落以原稿为准;英文字幕在校对好的中文上整份重译,比修机翻更省事、更准。