带字幕的文字转语音

字幕时间轴是怎么算出来的

你的文字会被切成一两句一段的短段，每一段分别生成音频。SRT 使用每个生成段的实际长度，所以每一段字幕的开始和结束都和那段音频一致。在一段之内，每行字幕的时间是按文字长度估算的，很接近，但不是逐帧精确。

这带来一个实际的影响：句子越短，字幕越紧凑准确。用简短口语化的句子写的脚本，生成的字幕会紧紧跟着声音。一个又长又绕的句子会被拆成好几行字幕，句内的时间是估算的，所以中间几行可能稍早或稍晚出现。

SRT 文件是什么样的

每条字幕最多两行，每行最多 42 个字符。你不用自己把脚本拆成字幕大小的片段，按正常段落写就行，文件会自动排好。

SRT 是一种纯文本格式，视频剪辑软件和很多视频平台都接受它作为字幕文件。发布前，你可以用字幕编辑软件打开它，调整某一行的措辞或微调时间；只是改个字的话，用普通文本编辑器也行。

在剪辑软件里让音频和字幕同步

音频和 SRT 要从同一次生成下载，中间不要改文字，这样两者对应的是同一段录音。把音频放在时间线的最开头，或者放在你希望第一条字幕出现的确切位置，再把 SRT 作为字幕轨导入，起点也放在同一位置。如果之后为了给片头腾地方而挪动了配音，就把整条字幕轨挪动同样的距离。

如果下载后又改了脚本，就再点一次「生成」，重新下载两个文件。只有改过的部分会重新生成，所以很快，而且能让字幕和实际说的内容保持一致。打算剪辑和混音的配音，音频请下载 WAV；原因请看文字转 WAV。

怎样写脚本，字幕效果更好

按你希望在屏幕上显示的样子写脚本，因为字幕来自你的文字。有一点要注意：如果为了纠正发音改写了某个难读名字的拼法，比如把 'Nguyen' 写成 'Win'，这个拼法也会出现在字幕里。下载后在 SRT 里把这些行改回来；只要一分钟，观众就能一边看到正确的名字，一边听到正确的读音。

在不同意思之间用 [pause 1s]，段落之间空一行。停顿让观众有时间读完一条字幕，也给你留出切换新画面的自然位置。给自己的备注和舞台提示不要放进文本框，因为文本框里的任何内容都会被读出来，也会出现在字幕里。

竖屏短视频和较长的频道视频

竖屏短视频里，字幕往往是观众跟上内容的主要方式，两行、每行 42 个字符的限制能让每条字幕在窄屏上保持紧凑。TikTok 配音页面介绍了短视频的节奏和稍快一些的音色。配有空镜素材和音乐的较长视频，请看 YouTube 视频配音。