视频字幕怎么断句才自然?长度适中的 AI 切分方法
字幕断在词语中间,或一条字幕长到读不完,都很影响观看。在 VoxStudio for Mac 中开启“分段字幕”,选择本地字幕切分,或用自己的 API 密钥启用 LLM 精细切分,并调整长度偏好。
作者 David, Product Specialist at VoxStudio · · 更新于 · 7 分钟阅读

你将完成什么
- 在转录选项中开启“分段字幕”。本地字幕切分无需密钥;LLM 精细切分需要你自己的 API 密钥(BYOK)并已连接字幕模型。
- 模型只负责提议断句位置,最终切点由时间求解器根据词级时间戳决定,因此文字与时间都保持识别结果。
- 在“设置 > 字幕分段”中设置一次长度偏好,导出前在接缝处检查切点。
自动生成的字幕通常有两种问题。一种是句子断在短语中间,观众看到一行是“the work a leg does in”,下一行才是“one push”;另一种是一大段话挤在一行里,很难在时间内读完。两者的根源相同:切点是由一条不了解语义转折的规则决定的。
本文介绍如何在 VoxStudio for Mac 中得到自然的断句和适中的长度。内容包括转录选项窗口中每个选项的作用、AI 选项的通俗原理,以及如何调整结果。文中假设你已经打开了一段录音或视频。
开始之前:选择断句方式
字幕断句有两种方式。应用会根据你的设置在开始任务时自动选择,你无需为断句单独选择引擎。
本地字幕切分还是 LLM 精细切分
| 本地字幕切分 | LLM 精细切分 | |
|---|---|---|
| 何时运行 | 已开启“分段字幕”,且未启用 BYOK 或没有已连接的字幕模型 | 已启用 BYOK,字幕服务商已通过连接测试,并配置了“字幕清理”模型 |
| 需要什么 | 无需额外配置,在你的 Mac 上运行 | 在“设置 > AI 服务”中为所选服务商配置你自己的 API 密钥 |
| 费用 | 无需 API 密钥或 AI 积分 | 服务商按读写的 token 收费 |
| 文字去向 | 留在你的 Mac 上 | 转录文本会发送给你选择的服务商 |
| 文字内容 | 保留识别出的文字 | 保留识别出的文字;模型只提议断句位置 |
| 适合场景 | 快速处理、离线工作,或默认长度已经足够的录音 | 较长的讲话,希望断句跟随语义;标点较少的转录 |
登录 VoxStudio(使用托管 AI,消耗积分)不会把断句切换为 LLM 精细切分。托管积分确实能用于其他 AI 步骤,例如部分引擎生成的中文文本补标点,以及翻译。如果你希望使用 LLM 进行断句优化,请配置 BYOK。
两种设置方式
根据你是否有 API 密钥选择。之后也可以切换,设置只对之后生成的字幕生效。
路径 A: 没有 API 密钥:使用本地字幕切分
保持“分段字幕”开启,不启用 BYOK。字幕在你的 Mac 上切分,使用与视频编辑器中“生成本地字幕”相同的算法。
Best for: 快速处理、离线使用,或不希望任何文本发送给模型的场景。 Result: 按标点、可读长度和词级时间戳切分的字幕,文字保持识别结果。
打开转录选项
添加文件后点击“选项”。如果知道音频语言,请选择“音频语言”;大多数录音使用自动检测即可。
开启“分段字幕”
该选项默认关闭。开启后,它旁边的信息按钮会说明当前在这台 Mac 上会运行哪种方式。
开始并检查
任务完成后,播放你关心的切点。如果长度不合适,在“设置 > 字幕分段”中调整偏好,然后重新运行任务。
路径 B: 使用你自己的密钥:启用 LLM 精细切分
在“设置 > AI 服务”中开启 BYOK,添加服务商密钥并运行连接测试,确认已配置“字幕清理”模型。然后“分段字幕”会使用模型提议断句位置。
Best for: 长篇讲座、访谈和课程,不希望仅靠长度规则切分一个短语的场景。 Result: 与本地字幕切分相同的时间与文字,断句位置更贴合语义。
开启 BYOK
打开“设置 > AI 服务”,启用“使用你自己的 API 密钥(BYOK)”,并为想使用的服务商添加密钥。
测试连接
服务商需要显示为“已连接”。如果没有连接成功,应用会继续使用本地字幕切分,而不是让任务失败。
检查字幕模型
确认已配置“字幕清理”模型。然后打开转录选项,开启“分段字幕”。信息按钮此时会显示“启用时:LLM 精细切分”。
转录选项窗口中的各个选项
下面是转录选项中与字幕相关的各个控件及其作用。名称与应用中的显示一致。
音频语言、热词、分段字幕和高级设置
- 音频语言 — 设置识别所用的口语语言。“自动”会从音频中检测语言。如果你已知语言,请直接选择:中文、日文等密集文字脚本的切分规则依赖语言设置。
- 热词 — 告诉识别器应当期待的人名和术语。热词用于本机转录,并作为拼写提示传给 AI 纠错,因此被误识别的人名更不容易被切到两行中。
- 分段字幕 — 默认关闭。开启后,识别完成会切分字幕。信息按钮会说明运行哪种方式:BYOK 已连接时为 LLM 精细切分,否则为本地字幕切分。启用翻译时也会准备字幕。
- 高级设置 > AI 纠错 — 默认关闭,且只有配置了你自己的密钥才可用。识别完成后,模型会尝试修正同音词、人名和术语;请对照原声检查是否改变了原意或增删文字。转录文本会发送给你的服务商,可能产生费用。VoxStudio Cloud 转录不支持该选项。
- 高级设置 > 说话人数量 — 预期的说话人数。说话人切换时字幕总会另起一条,设置正确可以避免访谈字幕在两个人之间串行。
- 高级设置 > 片段与翻译 — “片段”可把任务限制在某个时间范围内。“启用翻译”会把转录翻译为你选择的目标语言,并准备字幕,时间与原文一致。
只需设置一次长度偏好
长度在“设置 > 字幕分段”中调整。这些是偏好值而不是硬性上限:一行可以略微超出,屏幕上真正的安全宽度仍由渲染器决定。修改后的设置只对之后生成的字幕生效,因此修改后请重新运行任务。
偏好项及其默认值
| 默认值 | 可设范围 | 作用 | |
|---|---|---|---|
| 每行偏好字数(中文、日文、韩文) | 24 | 12 至 40 | 密集文字脚本一行的目标宽度。竖屏视频可以调低。 |
| 每行偏好字数(其他语言) | 50 | 24 至 80 | 拉丁字母文本的目标宽度,按半角单位计算,大约是中日韩数值的两倍。 |
| 浮动范围 | 35% | 0% 至 100% | 切点为了落在更好的断点上,可以超出偏好值多少。0% 表示严格执行。 |
| 单条字幕偏好最长时长 | 5.0 秒 | 2.0 至 10.0 秒 | 超过该时长后,字幕会被扣分。数值越小,字幕越多越短。 |
| 优先在逗号处断开 | 开启 | 开启或关闭 | 把逗号、分号和冒号视为较好的切点。如果逗号分隔的列表需要保持在一起,可关闭。 |
LLM 断句的原理,通俗版
可以把它理解为分工明确的两步流程。模型擅长读懂语义,求解器擅长处理时间戳的计算。VoxStudio 只把各自擅长的部分交给对应的一方。
四个步骤
- 1. 必要时补标点 — 有些识别器(如 Whisper)返回的文字几乎没有标点。对这类结果,模型会先补标点,并修正明显的小错误。本身已带标点的引擎会跳过这一步。
- 2. 提议短语断点 — 模型按批次阅读转录,批次前后附带少量上下文。它返回相同的文字,并以行的形式切分;还可以标出不宜拆开的紧密短语,例如人名或“a leg”。它不能修改、翻译或概括任何一个词。
- 3. 检查模型的建议 — 应用会验证文字未被改动、每行不超长、批次没有为空。如果检查失败,会要求模型重试;仍然失败则该批次回退到本地规则,其他批次不受影响。
- 4. 结合时间求解最终切点 — 本地求解器用词级时间戳为候选切点打分:停顿会加分,过长或过短的字幕会被扣分,长度偏好决定目标值。模型给出的断行是起始建议,求解器决定每个切点的真实位置。每个词的时间都来自识别器,而不是来自模型。
这种分工也决定了设计思路:模型无法把字幕放到它自己编造的时间上,时间也不会因为模型数字数得不准而出错。即使模型不可用,本地路径仍能给你一套完整、带时间的字幕。
调整结果:先看现象,再改设置
切分不理想时该调整什么
| 你看到的现象 | 优先尝试 |
|---|---|
| 字幕行对画面来说太长 | 调低“每行偏好字数”,然后重新运行任务。 |
| 字幕行是很碎的短片段 | 调高“每行偏好字数”,或降低“浮动范围”,让长度更接近目标。 |
| 一条字幕持续好几秒 | 调低“单条字幕偏好最长时长”。 |
| 逗号把你想保持在一起的列表切开了 | 关闭“优先在逗号处断开”。 |
| 使用本地字幕切分时短语被切在中间 | 先检查时间。切点跟随词级时间戳,噪声或重叠语音会使边界偏移。对于较长、语义较重的讲话,可用 BYOK 尝试 LLM 精细切分。 |
| 中文或日文文本看起来没有标点 | 启用可用的 AI 模型(托管或 BYOK),因为部分引擎不会补标点。同时把“音频语言”设为正确的语言。 |
设置调不好时:手动调整个别字幕
偏好值只能让整体更接近目标,个别字幕条仍可能过长,或者切在你不满意的位置。这时不必重新运行整个任务,直接在字幕上手动切分即可。有两个入口,按你当前所处的界面选择。
方法一:在会话的“字幕”标签页中切分
打开转录会话,切换到“字幕”标签页,找到过长的那一条。点击这条字幕的文字,把光标放在想要断开的位置,字幕右侧会出现剪刀图标;点击它,就会在光标处把这条字幕切成两条。切分后可以再播放前后两条,确认断句自然。

方法二:在视频编辑器的字幕轨道上切分
如果你已经把会话导入视频编辑器,可以直接在时间线上处理。选中工具栏中的剪刀工具,把鼠标移到字幕轨道上要切的那条字幕,画面会预览切点,并分别显示切开后左右两段文字。位置合适后点击,就在该处切开。

导出前检查切点
简短的检查流程
- 播放你关心的每个接缝 — 在切点前几秒开始播放,一直听到切点之后。留意是否有被削掉的音节、重复的词,或不自然的换气。
- 读字幕,而不是看波形 — 按说话人的节奏朗读每条字幕。如果读到一半没气,或者句子听起来断得很突兀,就拆分或合并它。
- 检查人名和数字 — 断句不能保证纠正识别错误。热词和 AI 纠错可以辅助,但仍需对照原声核对人名、数字和术语。
- 修改设置后重新运行 — 长度偏好只对之后生成的字幕生效。请重新运行任务,而不是期待旧字幕自动更新。
本文未涵盖的内容
本文只讨论 Mac 应用中的字幕断句。VoxStudio Cloud 在服务器上准备字幕,因此上文的方式选择只适用于在你的 Mac 上处理的情况。字幕长度和阅读速度的平台规范各不相同,请以你要发布的平台要求为准。
常见问题
如何在 VoxStudio for Mac 中得到自然的字幕断句?
在转录选项中开启“分段字幕”。没有 API 密钥时使用本地字幕切分,它按标点、可读长度和词级时间戳切分。配置 BYOK 并连接字幕模型后,会使用 LLM 精细切分:模型按语义提议断点,时间仍由识别器的词级时间戳决定。导出前请检查接缝。
本地字幕切分和 LLM 精细切分有什么区别?
本地字幕切分在你的 Mac 上运行,无需 API 密钥或 AI 积分。LLM 精细切分会把转录文本发送给你通过 BYOK 配置的服务商,服务商可能按 token 收费。两种方式都保留识别出的文字,时间都来自词级时间戳。
登录 VoxStudio 会开启 LLM 精细切分吗?
不会。断句的 LLM 精细切分需要 BYOK 且字幕服务商已连接。登录后使用的托管 AI 会消耗积分,用于其他 AI 步骤,例如部分中文转录的补标点和翻译。
AI 在切分字幕时会改动我的文字吗?
断句不应该改动文字。模型返回的是相同文字的分行结果,如果返回内容改变了文字,应用会拒绝该结果。AI 纠错是另外一个可选项,可以修正同音词和人名,默认关闭,并且从不改变时间。
每行应该设置多少字?
建议先使用默认值:中文、日文、韩文每行 24 字,其他语言 50 个半角单位。竖屏或手机视频可以调低中日韩的数值,宽屏画面可以调高。请在你要发布的屏幕上检查效果。
我修改了设置,为什么已有的字幕没有变化?
偏好设置只对之后生成的字幕生效。请对转录结果重新运行断句,以应用新的长度。
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。
在人停顿的地方切分字幕。
打开 VoxStudio for Mac,在转录选项中开启“分段字幕”,导出前在接缝处检查切点。 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.