为什么自动字幕会在不自然的位置断开

有件事困扰了我好几个月。

你上传一个视频，说话人说的是："I went to the grocery store yesterday to buy some eggs."

按固定词数切分的字幕器可能会把它分成这样：

Line 1: "I went to the"
Line 2: "grocery store yesterday"
Line 3: "to buy some eggs"

再读一遍。"I went to the"——the 什么？你的大脑不得不把这个片段暂存在工作记忆里，等待下一行出现。就像读一本书，有人拿剪刀随机在每一行中间剪了一刀。

这就是字幕分段问题。它在很短的演示里容易被忽略，但当一句话在观众还没获得足够上下文前就被切断时，问题会非常明显。这也是我们把字幕当作编辑流程，而不是把转录文字直接贴到视频上的原因之一。

为什么比看起来难得多

按固定词数分段虽然一致，却很容易产生别扭的碎片。标点能提供更合适的候选断点，但语音转文字生成的标点并不总是准确。时间信息也有帮助：明显停顿可能意味着自然断点，短暂换气却未必需要另起一段。

实际要做的是平衡这些信号，并让每段保持舒适的阅读长度。没有一条自动规则能适合所有说话者、语言和表达节奏，所以结果必须始终容易修改。

我们围绕几种简单、可验证的信号改进了分段流程：

优先参考已有标点。 清晰的句末是很强的候选断点，但我们不会假定每个自动生成的标点都正确。

参考明显停顿。 没有标点时，词与词之间较明显的时间间隔可以作为备用断点。

硬性的字幕块长度限制。 当前分段器会在组装后的字幕块达到或超过 60 个字符时切分。标点或停顿仍可能产生很短的片段，因此结果始终可以编辑，而不会被当作无需检查的最终稿。

最终由 Editor 中的人工检查决定。 分段只是初稿。导出前，你可以修改文字，也可以拆分或合并任何不符合说话节奏的字幕块。

相同的转录文本，旧算法 vs 新算法：

之前：

"So what I've been"
"doing lately is working"
"on this new project"
"that I'm really excited about"

之后：

"So what I've been doing lately"
"is working on this new project"
"that I'm really excited about"

文字上看，差别似乎不大。在这个例子中，调整后的分组在跟随语速阅读时更容易理解，因为每个字幕块包含了更完整的短语。但这只是一个例子，并不保证同一条规则适合所有说话者或语言。

简短演示通常只有几句排练过的台词和少量字幕块。更长、即兴程度更高的口语会出现更多标点、停顿和短语边界组合，因此不自然的断句更容易暴露。

我们在自己的片段中测试 CaptionBolt 时注意到这种模式，随后围绕可以检查的明确信号调整了分段器。当前逻辑依次使用句末标点、超过 300 毫秒的停顿、分句标点，以及 60 字符的硬限制。

所有新上传都会使用这套分段流程。请把结果当作可编辑的初稿：先在 Editor 中检查，再拆分或合并任何不符合说话节奏的字幕块。