实用教程

在时间线上按话语和画面搜索,不必来回拖动播放头

在长视频中输入说过的话或描述画面,用精确词、语义和画面搜索找到候选片段,再在时间线上逐个核对,不必来回拖动播放头。

作者 David, Product Specialist at VoxStudio · · 更新于 · 9 分钟阅读

在时间线搜索中输入“newton”:匹配的片段会显示时间范围,点击即可把播放头移到该处。示例素材:Sinha Foundation,Think Like a Physicist — Classical Mechanics 1。

你将完成什么

  • 按说过的话、话语的含义或画面中的内容找到片段。
  • 精确词搜索即时返回;智能搜索借助本地模型补充含义和画面匹配。
  • 点击结果后,播放头会停在该片段中间,方便直接剪切。

按话语搜索时,请先在时间线上放入字幕。智能搜索和画面搜索需要先下载本地模型,并等待视频索引完成。搜索结果只是候选项,剪切前请打开并核对原始音频或画面。

问题:你记得那一刻,却记不住时间码

在一段 40 分钟的讲座里,讲者说出了你想用作片段开头的那句话;或者某张图表适合作为 B-roll,你知道它存在,却不记得在哪里。于是你拖动播放头,听三秒,再拖,十分钟就这样过去了。

长时间线会同时带来三个麻烦:逐段拖动很慢,因为答案可能在任何位置;缩略图太小,看不清;而纯文字搜索在你的记忆和文字稿不一致时会失效。你记得是“成本”,讲者说的是“定价”;你记得白板上画过草图,却没有人把它说出来。

时间线搜索能解决什么

  • 反复拖动和重听 — 输入几个词,直接跳到候选片段,不必每三秒抽查一次时间线。
  • 措辞不一致 — 描述想法(例如“关于运输延误的部分”),即使原话措辞不同也能找到。
  • 只出现在画面里的内容 — 找到音频里没有人提到的幻灯片、图表或白板画面。
  • 在多个工具间切换 — 搜索在编辑器内完成,只针对时间线上已有的片段,无需导出,也不用打开第二个应用。

30 秒工作流

点击时间线工具栏中的放大镜,开始输入一个词、一句短语,或一段描述,例如“白板上画图表”。结果以列表显示,每项都包含时间范围和前后的字幕文字。

每一行右侧的小标记表示匹配原因:对话气泡表示词语出现在字幕中,电影图标表示匹配到画面内容,闪光图标表示两者都匹配。点击某一行,播放头会跳到该范围中间。之后无需拖动,就能直接修剪、切割或添加标记。

在示例片段中(2026 年 10 月 20 日录制),搜索“newton”时,排在首位的是“Newton wasn’t wrong”这句,并带有闪光标记,因为这个短语既被说出,又出现在幻灯片上。10 月 30 日再次搜索时,同一句排在首位,但标记变成了对话气泡。标记取决于已完成的分析,因此请把它当作提示,并以画面为准进行核对。

让搜索更快的习惯

  • 先短后长 — 先用一个有辨识度的词。如果只记得大意,就写成一句简短的描述,而不是关键词。
  • 先有字幕 — 话语搜索基于时间线上的字幕片段。先导入已校对的会话或生成字幕,再进行搜索。
  • 等待首次索引完成 — 视频第一次分析时,画面匹配可能不完整。弹窗会在处理期间提示。精确字幕匹配则可以立即使用。
  • 只搜索正在剪辑的内容 — 结果只来自时间线上的片段,因此已删除的素材和隐藏轨道不会干扰列表。

练习:同一时间线上的三类查询

使用一个带字幕的项目,依次运行下面三种查询。每次都记录首条结果的标记,以及点击后是否落在你想要的那一刻。用三种方式搜索同一段素材,能帮你判断下次应该用哪一类查询。

该输入什么,该核对什么

  • 1. 你确定说过的词 — 输入人名、数字或有辨识度的词,例如示例中的“newton”。检查结果是否带有对话标记,以及每条前后的字幕是否包含该词。
  • 2. 用自己的话描述想法 — 不要照搬原文措辞,描述你要找的那句话。开启智能搜索后,检查目标句子是否出现,以及排在列表的第几位。通常需要点击两到三行才能找到。
  • 3. 只出现在画面中的内容 — 描述一张幻灯片、图表或没有人提及的场景,例如“白板上的图表”。检查是否有电影标记。如果没有结果,先确认视频的首次分析已经完成,再判断画面中是否真的没有这个镜头。

坦率地说,你可以期待什么

语义和画面匹配都带有概率性,抽象描述可能返回不相关的结果,也可能漏掉目标。对于人名和数字,可以先试精确词搜索;如果字幕本身识别错误,精确搜索也可能找不到。逐条打开候选结果并回听上下文,首次分析长视频也可能需要等待。

搜索为空或结果不对时

  • 听到的词搜不到 — 话语搜索读取的是时间线上的字幕片段。请先添加或生成字幕,然后检查字幕本身的拼写。精确匹配会忽略大小写和重音符号,但无法纠正识别错误。
  • 只显示精确匹配 — 智能搜索尚未安装或启用。弹窗会说明情况,并提供下载本地模型(约 2 GB)的选项。
  • 画面搜不到结果 — 视频的首次分析可能仍在进行,或画面中的文字太小无法识别。可以改为描述整个场景,而不是描述细小的文字。
  • 稀有人名被语义搜索漏掉 — 语义搜索可能无法识别它没有学过的人名。请输入准确的人名,它会与字幕进行匹配。
  • 预期的素材不见了 — 结果只来自时间线上的片段。已修剪掉的素材和隐藏轨道不会被搜索。
  • 首次搜索结果与关键词无关 — 长时间线的首次搜索会先分析字幕。在我们的测试中,直到“正在分析字幕”完成之前,排在前面的都是不含搜索词的句子;完成后,每个首位结果都包含该词。请等待进度提示消失。

下一步

关于本指南

示例素材是 Sinha Foundation 的 Think Like a Physicist — Classical Mechanics 1,一段 36 分钟的讲座,时间线上带有字幕。2026 年 10 月 30 日,我们在搭载 Apple M5 芯片、运行 macOS 27.0.1 的 Mac 上,使用 VoxStudio 7.0.49 开发版的时间线搜索完成了这三组练习查询。这是一个视频上的一次测试,并非基准评测。

2026 年 10 月 30 日的测试结果

查询前几条结果说明
1. 精确词“newton”“Newton wasn’t wrong.”(13:02)、“Newton is the small velocity limit of Einstein.”(13:04)、“That is why Newton ruled unchallenged for two centuries.”(13:35);均带对话标记建立索引后,前几条结果都包含该词。点击后,播放头移到“Newton wasn’t wrong.”。
2a. 与原句有部分相同词“the formula for the energy of something moving”“Einstein defined the energy of a moving particle as gamma mc squared”(11:56,闪光标记),之后是其他与能量相关的句子有用,但依赖相同的词。我们想找的那句“Newton said kinetic energy is one half mv squared”没有进入前六条。
2b. 完全不同的措辞“classical mechanics as a special case of relativity at slow speeds”讲座开头的一句(闪光标记),之后是关联度较低的句子目标句“Newton is the small velocity limit of Einstein”没有进入前六条。如果有辨识度的词,请优先使用。
3. 只描述画面“a slide with a graph of a curve rising steeply on the left”只有话语和闪光结果,没有电影标记的结果我们无法确认该视频已建立逐镜头的画面索引:素材库的画面搜索把整个文件返回为一个匹配,而不是单个镜头。依赖画面搜索前请再次核对。

搜索不会改动项目。下面的技术说明介绍搜索的设计原理。

技术说明:三种搜索,一份列表

一个搜索框背后有三种匹配方式,因为每种方式都会在某些情况下失效,而另一种方式恰好能补上。以下是 VoxStudio 工作方式的通俗说明。

三种信号,三类盲区

精确词含义(语义)画面(视觉)
匹配对象短语或其中的词,忽略大小写和重音含义相近的字幕行与描述相似的视频画面
擅长人名、数字、引语换种说法:“cost”对“pricing”幻灯片、图表、白板、场景
漏掉措辞不同的内容模型没学过的稀有人名画面中太小而无法识别的文字
需要时间线上有字幕Mac 上已安装智能搜索模型智能搜索模型加一次性的视频索引

1. 精确词:即时响应,始终可用

精确匹配优先运行,不需要任何模型。整条查询作为短语完整出现,即为完全匹配。如果短语未被找到,编辑器会按每条字幕包含你的词语的比例打分。大小写、重音符号和字符宽度都会被忽略,因此“Newton”“newton”和“NEWTON”视为相同。匹配依赖字幕中的文字,专有名词和数字仍需对照原声核实。

2. 含义:把文字转换为数字

智能搜索使用一个在你的 Mac 上运行的嵌入模型。嵌入是一组数字(这里为 256 个),用来把一段文字放进“含义空间”:表达相似想法的句子即使没有相同的词,在空间中也会彼此靠近。你的查询和每一行字幕都会变成该空间中的一个点,编辑器按它们的距离排序。

为了减少噪音,一行字幕必须达到最低相似度,并且接近最佳分数。对于字面完全一致的内容,系统会给予少量加分,因此在相似度相当时,字面匹配会排在宽泛的改述之前。字幕嵌入会在你工作时缓存,因此重复搜索很快。

3. 画面:与文字处于同一空间的帧

同一个模型既能理解图像,也能理解文字,因此画面帧和句子可以直接比较。导入视频时,VoxStudio 会在后台每隔约两秒采样一帧,并通过比较相邻采样之间的粗略亮度网格来检测场景切换。长时间静止的镜头也会定期采样,因此仍可被搜索。每个保留的帧会生成一个嵌入,保存在你的 Mac 上,每个文件只生成一次。

搜索时,你的文字会被转换为嵌入,并与这些帧向量比较。每个镜头只计入最佳帧,因此一个很长的场景不会占满列表。随后,原始视频的时间会映射到你的时间线上,并考虑修剪和变速,使结果落在你剪辑中镜头所在的位置,而不是原始文件里的位置。

合并列表:倒数排名融合

不同方法的分数无法直接比较:文字相似度 0.6 与画面相似度 0.6 的含义并不相同。因此编辑器忽略原始分数,改用倒数排名融合按名次合并。结果在它出现的每个列表中获得 1 / (60 + 名次) 的分数,总分决定顺序。在一个列表中排第一的结果,仍可能输给在两个列表中都表现良好的结果。如果匹配的镜头与匹配的字幕重叠,二者会合并为一条带闪光标记的结果,而不是重复列出。弹窗最多显示 30 个时刻。

哪些数据保留在你的 Mac 上

智能搜索依赖一个本地模型:你只需下载一次(约 2 GB),然后在弹窗中启用。模型、画面索引和字幕向量都保存在你的 Mac 上。在模型准备好之前,弹窗只显示精确字幕匹配,并会说明原因,同时提供下载并启用智能搜索的按钮。导出进行时,画面分析会暂停,以免与渲染争抢资源。

常见问题

如何在 VoxStudio 的视频时间线上搜索某个时刻?

点击时间线工具栏中的放大镜,输入一个词、一句短语或一段描述。点击结果,播放头就会移到该时刻的中间。

能否按画面内容而不是按话语找到场景?

可以,前提是已启用智能搜索。描述场景,例如图表或白板,视频分析完成后,与之相似的时刻会以电影标记列出。

视频编辑器中的混合搜索是什么?

指结合多种匹配方式:字幕中的精确词、含义相似度,以及画面内容相似度。系统会合并它们的排序列表,使得被多种信号同时支持的时刻排在前面。

时间线搜索会上传我的视频吗?

不会。智能搜索使用下载到你 Mac 上的模型,画面索引和字幕向量也都保存在本地。

没有安装智能搜索会怎样?

仍然可以使用精确字幕匹配。弹窗会告诉你只显示精确匹配,并提供下载和启用智能搜索的选项。

为什么需要在时间线上有字幕?

按话语搜索是基于时间线中字幕片段进行的。请先在 VoxStudio 中复用已校对的会话或生成字幕。画面匹配则不需要字幕。

相关 Mac 功能

把时间花在剪辑上

在 VoxStudio for Mac 中打开项目,点击放大镜,直接跳到你记得的那一刻。 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.

继续阅读