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
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
- 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。
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.