企业官网建设流程全解析

最近在做视频精读内容时，一直在跟字幕较劲：普通 SRT 字幕只能整句显示、整句消失，想做到“单词跟着发音逐个高亮”，要么手动打关键帧到崩溃，要么找遍全网都没有顺手的工具。直到接触到“词级双语字幕”这个方向，才发现原来字幕可以拆到每个单词、每个读音，配合中英对照，整个做字幕的过程像水果忍者切水果一样顺畅干净。

这篇文章不绑定某一个具体产品，而是把这类“词级双语字幕制作软件”背后的能力拆开讲清楚：它解决什么问题、底层用到了哪些技术、字幕格式如何承载词级时间轴，以及如何用 Python 完整实现一条从视频到词级双语 ASS 字幕的生产链路。适合正在做语言学习视频、外刊精读、双语影视剪辑的创作者，也适合想了解语音识别与字幕文件格式的开发者。

1. 词级双语字幕是什么，解决什么问题

1.1 从传统字幕到词级双语字幕

传统字幕以“句子”为最小单位。一条 SRT 记录里有开始时间、结束时间、一行文本，播放器到点就把整行字幕显示出来，到点再整行消失。这种模式对“看懂剧情”完全够用，但对语言学习、发音模仿、词汇记忆来说，颗粒度太粗了。

词级双语字幕把最小单位从“句子”下探到“单词”。每个英文单词都拥有独立的开始时间和结束时间，视频播放时，当前正在发音的单词会被高亮，然后顺势过渡到下一个单词。整体效果类似卡拉 OK 的逐字变色，只不过对象从歌词变成了口语对白。

如果在这个基础上再叠加中文翻译，就形成了“英文原句 + 词级高亮 + 中文释义”三层信息结构。读者既能看整句意思，也能精确知道当前读到的是哪个词、这个词的发音起点和落点在哪里。这种格式最早在语言学习播放器里出现，最近几年开始被独立的字幕制作软件做成标准功能。

1.2 词级双语字幕的典型应用场景

词级双语字幕最核心的使用场景是语言学习，尤其是“精听”和“影子跟读”。精听要求学习者逐词听辨，普通字幕一眼扫过去，很容易被整句翻译带跑，难以真正逼自己听清单词边界；而词级高亮相当于给每个词画了一条时间线，发音到哪，高亮就到哪，耳朵和眼睛可以严格对齐。

第二个场景是外刊精读、英语影视解说类视频制作。UP 主在剪辑原声片段时，如果字幕能逐词高亮，观众的注意力会自然落在正在发音的单词上，配合中文注释，完播率和互动率通常比静态双语字幕更好。

第三个场景是口译训练和配音练习。练习者需要盯住原声的语速、重音和停顿，词级时间轴可以直接展示说话人的停顿位置，哪些词连读了、哪些词被弱读了，在高亮节奏里一目了然。这个能力对做发音教学的老师同样有价值。

1.3 和普通双语字幕的本质区别

普通双语字幕与词级双语字幕的区别，并不仅仅是“多了高亮效果”，而是底层数据模型发生了变化。

普通双语字幕保存的是“时间段 + 文本”，本质上是一张时间表；词级双语字幕保存的是“句子时间轴 + 单词时间轴 + 双语对照文本”，本质上是一棵层级结构，句子是根节点，单词是叶子节点，每个叶子节点都带有自己的时间属性。

这个差异直接影响了制作流程。普通字幕只需要对时间轴、抄写文本、翻译三件事；词级字幕在此基础上还多出了“单词切分”和“单词对齐”两个环节。更关键的是，普通字幕可以用任何视频剪辑软件手工拖拽完成，词级字幕则必须依赖语音识别加对齐算法，手工逐词打点几乎不现实。这也是为什么“词级双语字幕”会被作为独立软件品类的核心卖点，而不是剪辑软件的附属功能。

2. 制作词级双语字幕需要哪些准备

2.1 工具链整体思路

要制作词级双语字幕，不能只靠一个编辑器，通常需要一条工具链：

• 语音识别（ASR）：把视频里的英文对白转成带时间戳的文本，最好能输出到单词级别；
• 字幕解析：读取已有的 SRT 字幕，把句子级时间轴提取出来；
• 双语对齐：把机器翻译或人工译文按照句子索引回填到字幕结构里；
• 字幕渲染：生成带卡拉 OK 标签的 ASS 字幕，让播放器支持逐词高亮；
• 校对与微调：对识别错误、断句错误、单词粘连进行人工修正。

这条链路的前半段可能由“词级双语字幕制作软件”一体化完成，后半段则非常适合用脚本批量处理。下面几个小节会逐个说明每一环需要准备什么。

2.2 本文演示环境与版本说明

这篇文章的实战示例使用 Python 编写，核心只依赖标准库，不涉及复杂框架。建议环境如下：

• 操作系统：Windows 10/11、macOS 或主流 Linux 发行版均可；
• Python：3.9 及以上版本；
• ffmpeg：用于从视频中抽取音频，建议使用 4.x 及以上版本；
• 语音识别引擎：以 OpenAI Whisper 为例演示，具体版本请按项目实际环境调整；
• 播放器：建议使用支持 ASS 卡拉 OK 标签的播放器，例如 potplayer、VLC 等。

版本需要注意：Whisper 的word_timestamps参数在不同版本中支持程度不同，老版本可能只返回句子级时间戳，新版本才返回单词级结果。文章中的代码会标注“以你安装的版本为准”，不要照搬后不做验证。

2.3 数据准备：视频、音频与文本

动手之前需要确认三份素材：原始视频、可提取的音频、版权允许处理的文本内容。制作字幕涉及复制原声和转写原文，务必只处理自己有授权或属于合理使用范围的素材，不要拿商业影视资源做公开传播。

先把音频从视频里抽出来。使用 ffmpeg 的通用命令如下：

ffmpeg -i input.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wav

这条命令的作用是把input.mp4的视频流丢弃（-vn），音频转成 16kHz 单声道 PCM 格式，输出为audio.wav。16kHz 单声道是大多数语音识别模型的标准输入设置，能有效减少背景音乐对识别结果的影响。

如果手里已经有一份 SRT 字幕，可以直接进入解析流程；如果没有，可以让语音识别引擎先输出整句文本，再人工校对后生成 SRT。无论走哪条路，最终都需要一份“句子级 + 带时间轴”的字幕文件作为后续词级处理的基础。

3. 核心原理与格式拆解

3.1 字幕文件格式基础：SRT 与 ASS

先看 SRT，它是目前兼容性最好的字幕格式。一个典型的 SRT 文件长这样：

1 00:00:12,340 --> 00:00:15,670 Hello world, this is a sample subtitle. 2 00:00:16,000 --> 00:00:18,000 Let's make word-level bilingual subtitles.

每条记录由序号、时间行、文本行组成。时间格式是时:分:秒,毫秒，毫秒部分用逗号或点分隔都可以。SRT 格式简单，但缺点也很明显：它没有样式系统，不支持逐词高亮，无法表达“单词 12.34 秒开始、13.20 秒结束”这种细粒度信息。

ASS 是 Advanced SubStation Alpha 的缩写，比 SRT 强大得多。ASS 文件分为多个 Section，常见的有[Script Info]、[V4+ Styles]、[Events]。核心的逐词高亮能力来自[Events]区块里的卡拉 OK 标签：

Dialogue: 0,0:00:12.34,0:00:15.67,Default,,0,0,0,,{\kf86}Hello {\kf187}world

{\kf86}的含义是：从当前位置开始，用 86 厘秒（0.86 秒）完成“Hello”这个词的高亮填充。{\kf187}则表示“world”这个词的高亮时长为 187 厘秒。播放器渲染时，会按照这些标签做逐词推进，形成卡拉 OK 效果。

ASS 里常见的卡拉 OK 标签有两种：\k和\kf。\k是完全填充式高亮，\kf会带一点淡入渐变，视觉上更柔和。制作词级字幕时，我通常选择\kf，因为单词切换的过渡更自然。

3.2 词级时间轴：从 ASR 到对齐

词级时间轴从哪里来？理论上可以人工逐词打点，但 5 分钟的视频就有几百个单词，人工打点效率太低。实际生产中基本都靠语音识别引擎自动生成。

以 Whisper 为例，加载模型后调用转写接口，部分版本支持返回单词级时间戳。示例代码如下：

import whisper model = whisper.load_model("medium") result = model.transcribe("audio.wav", word_timestamps=True, language="en") for segment in result["segments"]: print(segment["start"], segment["end"], segment["text"]) for word in segment.get("words", []): print(" ", round(word["start"], 2), round(word["end"], 2), word["word"])

输出结果大致是：

12.34 15.67 Hello world, this is a sample subtitle. 12.34 13.20 Hello 13.80 15.67 world

注意不同版本的 Whisper 对word_timestamps的支持情况不同，words字段也可能不存在。如果发现识别结果里没有单词级时间戳，建议先升级版本，或者改用支持词级对齐的第三方工具。

这里的“对齐”是指把识别出来的单词映射到准确的时间点上。识别引擎给出的时间并不是绝对精确，尤其在嘈杂背景、连读、弱读场景下，单词边界经常偏出几十毫秒甚至一两百毫秒。后续人工校对时，优先检查整句时间轴是否准确，再抽查单词边界有没有明显错位。

3.3 双语对齐与字幕分层设计

有了词级时间轴之后，接下来要把中文翻译填进去。这里有一个容易被忽略的要点：翻译的单位应该是“句子”，而不是“单词”。

为什么？因为语言不是逐词对应的。英文的 “How are you doing”，逐词直译成中文是“怎么是你做”，完全不通顺。把整句交给翻译模型或人工翻译，得到通顺的中文后，再以句子为单位与英文原句对齐，是更合理的方式。词级高亮只作用于英文原文，中文译文保持整句显示即可，这样既保留了逐词精读能力，又不会让中文被切得支离破碎。

这种数据关系可以用一个 JSON 结构来描述，方便脚本处理和后续扩展：

[ { "index": 1, "start": 12340, "end": 15670, "text": "Hello world, this is a sample subtitle.", "target": "你好世界，这是一个示例字幕。", "words": [ { "text": "Hello", "start": 12340, "end": 13200 }, { "text": "world", "start": 13800, "end": 15670 } ] } ]

这个结构里，index对应 SRT 序号，start、end是句子级时间轴，words是单词级时间轴，target是整句中文翻译。渲染成 ASS 时，英文单词逐词使用\kf标签，中文译文使用\N换行放在下一行。这就是整套词级双语字幕的分层设计。

4. 完整实战：从视频到词级双语字幕

4.1 创建项目结构与准备文件

先建立一个干净的项目目录，方便脚本和素材管理。目录结构如下：

word-level-subtitle/ ├── input.mp4 ├── audio.wav ├── sample.srt ├── word_timings.json ├── translations.json └── make_word_level_ass.py

其中input.mp4是原始视频，audio.wav是从视频里抽出的音频，sample.srt是句子级字幕，word_timings.json是单词级时间轴，translations.json是中文翻译表，最后的 Python 脚本负责把所有数据合并成 ASS 字幕。

假设你已经用 ffmpeg 抽出了音频，并且有一条标准的 SRT 字幕，接下来从解析 SRT 开始。

4.2 解析 SRT 并生成词级时间轴

编写parse_srt.py，把 SRT 文件解析成结构化数据。完整代码如下：

# -*- coding: utf-8 -*- """ parse_srt.py 将标准 SRT 字幕解析为结构化字典列表 """ import re from pathlib import Path def parse_srt(file_path): text = Path(file_path).read_text(encoding="utf-8-sig") blocks = re.split(r"\n\s*\n", text.strip()) items = [] for block in blocks: lines = block.strip().split("\n") if len(lines) < 2: continue try: index = int(lines[0]) except ValueError: continue time_line = lines[1] content = "\n".join(lines[2:]) m = re.match( r"(\d{2}):(\d{2}):(\d{2})[,.](\d{3})\s*-->\s*" r"(\d{2}):(\d{2}):(\d{2})[,.](\d{3})", time_line, ) if not m: continue h1, mi1, s1, ms1 = map(int, m.groups()[:4]) h2, mi2, s2, ms2 = map(int, m.groups()[4:]) start = (h1 * 3600 + mi1 * 60 + s1) * 1000 + ms1 end = (h2 * 3600 + mi2 * 60 + s2) * 1000 + ms2 items.append({ "index": index, "start": start, "end": end, "text": content.strip(), }) return items if __name__ == "__main__": subs = parse_srt("sample.srt") for item in subs: print(item["index"], item["start"], item["end"], item["text"])

代码核心是正则表达式匹配时间行，支持逗号和点两种毫秒分隔符。解析结果统一转成毫秒整数，后续计算时不会出现浮点精度问题。运行后应该能看到类似下面的输出：

1 12340 15670 Hello world, this is a sample subtitle. 2 16000 18000 Let's make word-level bilingual subtitles.

得到句子级时间轴后，再用语音识别引擎输出单词级时间戳，保存到word_timings.json。这时脚本里的words字段就可以和 SRT 序号对应上。

4.3 构建双语词级数据

接着准备中文翻译文件。为了保持“整句翻译”的原则，翻译表只按 SRT 序号存储中文，不切分单词。translations.json内容如下：

{ "1": "你好世界，这是一个示例字幕。", "2": "让我们制作词级双语字幕。" }

同时把识别得到的单词时间戳整理成word_timings.json：

[ { "index": 1, "words": [ { "text": "Hello", "start": 12340, "end": 13200 }, { "text": "world", "start": 13800, "end": 15670 } ] }, { "index": 2, "words": [ { "text": "Let's", "start": 16000, "end": 16450 }, { "text": "make", "start": 16500, "end": 17000 }, { "text": "word-level", "start": 17050, "end": 17800 }, { "text": "bilingual", "start": 17850, "end": 18500 }, { "text": "subtitles", "start": 18550, "end": 19500 } ] } ]

这两份数据完全可以由脚本自动合并。如果某个序号在word_timings.json里缺失，脚本会退化成“整句作为一个单词时间块”，保证输出文件不会因为个别识别失败而中断。

4.4 生成 ASS 字幕文件

下面编写核心脚本make_word_level_ass.py，完成“SRT 句子级时间轴 + 单词级时间轴 + 中文翻译”的合并，并生成 ASS 文件。

# -*- coding: utf-8 -*- """ make_word_level_ass.py 将普通 SRT + 词级时间轴 + 中文翻译合并为词级双语 ASS 字幕 """ import json import re from pathlib import Path def parse_srt(file_path): text = Path(file_path).read_text(encoding="utf-8-sig") blocks = re.split(r"\n\s*\n", text.strip()) items = [] for block in blocks: lines = block.strip().split("\n") if len(lines) < 2: continue try: index = int(lines[0]) except ValueError: continue time_line = lines[1] content = "\n".join(lines[2:]) m = re.match( r"(\d{2}):(\d{2}):(\d{2})[,.](\d{3})\s*-->\s*" r"(\d{2}):(\d{2}):(\d{2})[,.](\d{3})", time_line, ) if not m: continue h1, mi1, s1, ms1 = map(int, m.groups()[:4]) h2, mi2, s2, ms2 = map(int, m.groups()[4:]) start = (h1 * 3600 + mi1 * 60 + s1) * 1000 + ms1 end = (h2 * 3600 + mi2 * 60 + s2) * 1000 + ms2 items.append({ "index": index, "start": start, "end": end, "text": content.strip(), }) return items def format_ass_time(ms): h = ms // 3600000 m = (ms % 3600000) // 60000 s = (ms % 60000) // 1000 cs = (ms % 1000) // 10 return f"{h}:{m:02d}:{s:02d}.{cs:02d}" def build_karaoke(words): parts = [] for w in words: duration_cs = max(1, round((w["end"] - w["start"]) / 10)) parts.append(r"{\kf%d}%s" % (duration_cs, w["text"])) return " ".join(parts) def build_ass(items, output_path): header = """[Script Info] ScriptType: v4.00+ PlayResX: 1920 PlayResY: 1080 WrapStyle: 0 ScaledBorderAndShadow: yes [V4+ Styles] Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, MarginL, MarginR, MarginV, Encoding Style: Default,Noto Sans CJK SC,72,&H00FFFFFF,&H000000FF,&H00000000,&H96000000,-1,0,0,0,100,100,0,0,1,3,1,2,80,80,40,1 [Events] Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text """ lines = [header] for item in items: start = format_ass_time(item["start"]) end = format_ass_time(item["end"]) source = build_karaoke(item["words"]) target = item.get("target", "") text = source if target: text += r"\N" + target lines.append( f"Dialogue: 0,{start},{end},Default,,0,0,0,,{text}" ) Path(output_path).write_text("\n".join(lines), encoding="utf-8") print("已生成:", output_path) def main(): srt_items = parse_srt("sample.srt") timings = json.loads(Path("word_timings.json").read_text(encoding="utf-8")) translations = json.loads(Path("translations.json").read_text(encoding="utf-8")) merged = [] for item in srt_items: idx = item["index"] timing = next((t for t in timings if t["index"] == idx), None) words = timing["words"] if timing else [ {"text": item["text"], "start": item["start"], "end": item["end"]} ] merged.append({ "index": idx, "start": item["start"], "end": item["end"], "words": words, "target": translations.get(str(idx), ""), }) build_ass(merged, "output.ass") if __name__ == "__main__": main()

脚本主要做了三件事：把中文翻译按序号挂到每条字幕上；把单词级时间轴转换成 ASS 卡拉 OK 标签；最终拼出完整的 ASS 文件。build_karaoke函数是核心，每个单词的持续时间由end - start计算得到，单位从毫秒换算成厘秒后写入{\kf}标签。

4.5 运行脚本与验证结果

在项目目录下依次运行：

python parse_srt.py python make_word_level_ass.py

第二个脚本执行成功后，会输出：

已生成: output.ass

打开output.ass，应该能看到类似下面的内容：

[Script Info] ScriptType: v4.00+ PlayResX: 1920 PlayResY: 1080 WrapStyle: 0 ScaledBorderAndShadow: yes [V4+ Styles] Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, MarginL, MarginR, MarginV, Encoding Style: Default,Noto Sans CJK SC,72,&H00FFFFFF,&H000000FF,&H00000000,&H96000000,-1,0,0,0,100,100,0,0,1,3,1,2,80,80,40,1 [Events] Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text Dialogue: 0,0:00:12.34,0:00:15.67,Default,,0,0,0,,{\kf86}Hello {\kf187}world\N你好世界，这是一个示例字幕。

放到支持 ASS 标签的播放器里播放，英文单词会随着读音逐个高亮，中文译文稳定显示在第二行。如果发现中文没有换行，检查字幕样式中的WrapStyle和\N是否被编辑器转义。

5. 高频问题与排查清单

词级双语字幕制作过程中，最容易遇到下面几类问题。我把现象、原因和解决思路整理成表格，方便快速定位。

几个高频问题的详细说明：

第一个是单词高亮错位。语音识别引擎在连读、弱读、背景音乐干扰下，单词边界经常偏差几十毫秒到几百毫秒。处理方法是先保证整句时间轴正确，再用“听一句、对一句”的方式抽查关键单词。不要试图用脚本一次性解决所有对齐误差，人工校对是词级字幕质量的重要保障。

第二个是播放器兼容问题。不是所有播放器都完整支持 ASS 的卡拉 OK 标签，部分播放器会把{\kf}当作无效标签忽略，导致字幕整体变成普通静态文本。验证高亮效果时，优先使用对 ASS 支持完善的桌面播放器，不要在预览阶段依赖网页播放器。

第三个是文本编码问题。JSON 和 ASS 文件建议统一使用 UTF-8 编码，否则中文会乱码。Windows 环境下尤其注意，不要在记事本里另存为带 BOM 的 UTF-8 后又被 Python 以utf-8读取，建议读取时统一使用utf-8-sig容错。

6. 最佳实践与工程建议

6.1 时间轴精度与断句策略

词级字幕的体验上限，很大程度上由时间轴精度决定。这里有一个工程判断：句子级时间轴必须准，单词级时间轴允许少量误差。为什么？因为人类听觉对单词边界有较大的容忍度，但对整句的出现时机非常敏感。如果整句早出或晚出几十毫秒，观众会立刻觉得“字幕跟声音对不上”。

断句策略也值得注意。语音识别引擎默认按静音切句，有时会把一个完整句子的从句切开，有时又把两个短句合并。生成词级字幕前，最好先人工调整断句，让一条字幕对应一个完整意群。这样中文翻译更好组织，观众阅读也更省力。单词之间的空隙不用刻意填满，只要保证高亮顺序和读音顺序一致即可。

6.2 翻译质量与术语一致性

翻译在词级双语字幕里的权重非常高，因为它决定了学习内容的正确性。建议采用“整句翻译、术语统一”的策略：先整体翻译句子，再通过术语表保证同一部视频、同一系列视频中的人名、地名、专业名词翻译一致。

对于系列视频，还可以建立一份 glossary 文件，用 JSON 或纯文本保存术语对照。脚本合并字幕时，可以根据术语表做翻译后处理，比如把已确定的专有名词统一替换。这比每次手工修改几十条字幕要可靠得多。翻译模型给出的结果只能作为初稿，最终发布前必须人工过一遍，尤其是口语化表达、双关语和文化梗。

6.3 批量处理与性能优化

如果处理的视频不止一个，可以让脚本支持批量模式。常见做法是把项目目录分成raw、intermediate、output三个子目录，分别存放原始视频、中间 JSON、最终 ASS。脚本遍历raw下所有视频，自动抽取音频、调用识别接口、解析 SRT、生成 ASS，并把日志写到文件里。

批量处理时，语音识别是最耗时的环节。建议根据机器配置选择模型大小，显存充足时用 large 模型，普通 CPU 环境下用 small 或 medium 模型更现实。识别是一个计算密集任务，跑批前先确认磁盘空间和 CPU/GPU 占用，避免一次启动过多任务把机器卡死。

6.4 协作、版本管理与合规

词级双语字幕是结构化数据，非常适合纳入版本管理。项目目录里除了代码，还应该把sample.srt、word_timings.json、translations.json都提交到 Git 仓库。这样每一次翻译修改、时间轴修正都能追踪到差异，多人协作时也不会互相覆盖。

合规方面需要特别留意：字幕文本、原声片段、翻译内容都可能涉及版权。只处理自己有权使用的素材，避免在公开平台传播未经授权的影视资源字幕。如果字幕用于商业课程或付费内容，务必确认原声与文本的授权边界。技术能力可以让制作效率大幅提升，但内容合规的底线不能因为工具变方便就放松。

7. 总结与下一步学习方向

到这里，一条完整的“词级双语字幕制作链路”已经跑通了：先用 ffmpeg 抽取音频，再用语音识别生成句子级和单词级时间轴，接着准备整句中文翻译，最后用 Python 脚本把数据合并成带卡拉 OK 高亮的 ASS 字幕。核心不是某个特定软件，而是“句子时间轴 + 单词时间轴 + 双语文本”这套数据结构，以及 ASS 格式里的{\kf}标签用法。

如果接下来想继续深入，可以从三个方向入手：一是优化单词对齐精度，比如引入强制对齐工具，对 Whisper 原始输出做二次修正；二是给字幕脚本加上图形界面或 Web 页面，让不懂命令行的创作者也能操作；三是接入翻译记忆库和术语库，把单文件制作升级为可持续积累的双语语料库项目。做字幕这件事，工具只会越来越顺手，但真正决定成品的仍然是内容质量和校对耐心。建议先拿一小段自己录制的视频练手，走完一遍流程后，再决定要不要把它做成日常生产力工具。