按字幕和词级时间戳剪视频:定位切点并回听核对
在 VoxStudio 剃刀工具中查看切点前后的字幕,利用词级时间戳定位候选位置,再回听核对剪辑和字幕。
作者 David, Product Specialist at VoxStudio · · 更新于 · 8 分钟阅读
你将完成什么
- 剃刀提示框会显示切点前后的词,帮助定位候选位置。
- 词级时间戳可能偏移;切完应回听并检查字幕。
- 一次点击,画面、音频和字幕在同一位置切开。
问题:话听得清,却难切
剪辑访谈、讲座或播客视频,大部分工作是决定一句话在哪里结束、下一句从哪里开始。没有工具辅助时,就只能把同一段两秒的声音反复播放。切早了,会削掉一个辅音;切晚了,“嗯”又会留下来。于是你放大、缩小,再播放一遍确认。
波形帮不了太多。语音中词与词常常连在一起,安静的换气看起来像空白,而词内部的停顿又可能像在说话。波形显示的是响度,而不是语言。
时间都花在哪里
- 反复听 — 为了找到一个词的边界,同一句话要听五六遍,每次切割都要重复。
- 切在词中间 — 偏差几帧就会留下被削去一半的音节或多余的“th”,通常要回放才会发现。
- 字幕不同步 — 画面切完后,字幕仍是整句,你还得单独拆分并重新输入。
- 失去节奏 — 在很长的时间线上,你会从读内容变成只看形状,于是错误的字幕行就被切掉了。
工作流程:悬停、阅读、点击
从已经带有字幕的片段开始,例如发送到编辑器的已校对会话,或在 Mac 上生成的字幕。在时间线工具栏中选择剃刀(剪刀)工具,然后沿时间线移动指针。
指针移动时,播放头会跟随指针,预览和音频也会随之滚动。指针旁边会出现一个提示框,把该位置的字幕分成两段:切点之前的词、绿色标记,以及切点之后的词。移动指针,直到标记恰好位于你想分开的两个词之间,然后点击。


点击后,视频、音频和字幕会在同一帧切开,字幕文字也会按刚才看到的提示框拆分。切完之后,请检查切点和字幕:识别和时间戳都可能出错。
如果指针位于两条字幕之间的静音处,提示框会显示空白前后的两行,帮助判断每一侧可能保留什么。裁剪后仍需回听,确认停顿和语气自然。
找切点的三种方式
| 靠耳朵 | 看波形 | 字幕切点提示 | |
|---|---|---|---|
| 定位线索 | 听发音和停顿 | 看声音波形并回听 | 查看切点前后的字幕,并回听验证 |
| 切点风险 | 可能切断音节 | 波形不直接标示词语 | 时间戳可能偏移,仍需检查 |
| 字幕处理 | 根据实际项目检查 | 根据实际项目检查 | 随切点拆分,仍需检查时间和文字 |
| 处理嘈杂音频 | 困难 | 困难 | 取决于转写质量 |
哪些场景最有价值
- 去掉口误 — 在口误开始之前和重新开口之后定位切点;删除中间部分后回放接缝。
- 摘取引文 — 找到你想要的句子的第一个词和最后一个词,在两端切割,其余部分留待以后再用。
- 收紧停顿 — 把指针悬停在空白处,读两侧的文字,决定要删掉多少。
- 对照稿件 — 在书面台词结束的地方切割,让画面和文字保持对齐。
练习:去掉一次口误,并检查接缝
切前、切中、切后
- 1. 切前 — 找到一处口误或重复的短语。完整播放一遍整句,记下每一侧要保留的词。
- 2. 切两次 — 用剃刀把绿色标记放在口误之前点击,再放在重新开口之后点击。删除中间的片段,并让两段衔接起来。
- 3. 听接缝处 — 从切点前一秒播放到切点后一秒。听是否有被削掉的音节、重复的词,或变得突兀的换气。
- 4. 检查字幕 — 阅读接缝两侧的字幕。它们应当只显示你保留的词,并且出现在这些词被说出的时刻。
如果切割听起来不对
- 没有出现提示框 — 提示读取的是时间线上的字幕片段。请先导入已校对的会话或生成字幕。
- 音节被削掉 — 撤销切割,把标记前移或后移一个词,然后重新切割。再次播放接缝处进行检查。
- 编辑文字后拆分位置不对 — 重写后的字幕可能失去词级时间戳,因此提示会变成平均估算。切割前请用耳朵确认。
- 中文或日文按字符拆分 — 对于不用空格分词的语言,拆分单位可能是字符或短语。请确认切割没有拆开一个词。
- 嘈杂或重叠的语音 — 串音、背景音乐和快速说话都可能使边界偏移。先用提示大致定位,再用耳朵确认。
下一步
它如何知道每个词的位置
语音识别把音频转换为文字,但这本身并不能说明每个词是在什么时候说出的。为此需要词级时间戳:每个词都有开始和结束时间。常见的获取方式有两种。一些识别模型在转写时同时预测时间;另一些则使用称为强制对齐器(forced aligner)的第二个模型,输入已完成的文字和音频,计算出每个词的位置。
VoxStudio 会把这些时间信息保存在每个字幕片段上。使用剃刀悬停时,编辑器会把指针位置换算为字幕内部的时间偏移,并对词语进行分类:在该时刻之前已经结束的词放入“前”,其余放入“后”。绿色标记就是两组之间的边界。
如果某条字幕没有词级时间戳(例如它的文字被重写过),编辑器会退回到估算方式:把字符平均分布在片段时长内。提示框仍有参考价值,但应将其视为指南,并用耳朵确认。
它有多准确?
在实践中,它通常能精确到词,但从来不能保证。时间由模型给出,因此质量取决于模型、语言、录音和说话人。清晰的语音通常定位得非常紧凑。串音、语音下的背景音乐、较重的口音、语速很快以及噪声,都可能让边界偏移,或把两个词合并。对于中文、日文等不用空格分词的语言,取决于模型,拆分单位可能是字符或短语,而不是词。
因此,先用提示快速找到正确位置,然后完整播放一次切割结果。一次验证的成本,远低于用耳朵反复寻找边界。
关于本指南
示例素材是 Sinha Foundation 的 Think Like a Physicist — Classical Mechanics 1。截图和主视频片段展示的都是这段素材上的剃刀提示。
2026 年 10 月 30 日,我们在同一条 36 分钟的时间线上核对了提示背后的时间戳,使用的是搭载 Apple M5、运行 macOS 27.0.1 的 Mac 上的 VoxStudio 7.0.49 开发版。本地转写将 “Newton” 定位在第 23467 帧,“wasn’t” 在第 23491 帧,“wrong.” 在第 23506 帧,下一个 “Newton” 在第 23532 帧(30 fps)。我们没有用剃刀指针,而是通过编辑器的 MCP 工具,在第 23467 帧和第 23532 帧处切开视频及其关联音频。中间片段的转写准确读作 “Newton wasn’t wrong.”,该句的字幕条目从第 23467 帧持续到第 23531 帧,与我们第二次切割只差一帧。存储的时间戳还显示,“Newton” 与 “wasn’t” 之间有 10 帧(约三分之一秒)的停顿,这是接缝的自然位置。随后我们撤销了切割。
这次检查只在一段干净的单人语音中验证了词级时间戳。它不能衡量多语言或嘈杂音频的准确率;本次检查中我们也没有听取接缝处的声音,因此请播放你保留的每一处切割。
常见问题
什么是词级时间戳?
它是识别或对齐过程给出的词语起止时间,可帮助编辑器显示切点附近的词。时间可能偏移,切割后仍需回听。
如何在 VoxStudio 中精确切在某个词处?
选择剃刀工具,把指针移到字幕上,直到提示框显示绿色标记两侧分别是你想要的词,然后点击。视频、音频和字幕会在该点同时切开。
词级时间戳 100% 准确吗?
不是。它们由语音模型预测,取决于音频质量、语言和说话人。通常足以快速找到切点,但你应当播放一次结果进行确认。
需要时间线上有字幕吗?
需要。切割提示读取的是时间线上的字幕片段。请先导入已校对的会话,或在 Mac 上生成字幕。
如果字幕文字被编辑过会怎样?
没有保存词级时间戳时,编辑器会把拆分位置平均估算到整条字幕上,因此提示的精度较低。请用耳朵确认。
相关 Mac 功能
- Mac 按文字剪辑视频与制作字幕
在 Mac 视频时间线上参考字幕与逐词时间戳剪辑,查找访谈片段,并在导出前检查字幕与剪辑。
在词语结束的地方切割。
把字幕导入 VoxStudio 编辑器,选择剃刀,让提示框在切割前把切点展示给你看。 下载 Mac 版 · 查看价格与试用(英文)
David — David works on the VoxStudio product team and spends most days inside the video editor, turning real customer workflows into faster ones.