短视频、课程、会议录像、出海内容……只要涉及"把一段外语音频变成中文字幕"，很多人第一反应是：丢给 AI，10 分钟出稿，完事。

但真正上手过的人都知道：快，和能用，中间隔着一个叫"幻觉"的坑，以及一整套平台格式红线。这一篇不吹不黑，从转写工具到成片规范，给你一条能直接跑的流水线。

先泼盆冷水：AI字幕"快"和"能用"之间，隔着一个"幻觉"

讲工具之前，必须先说一个被很多人忽略的风险：**语音识别模型会"听错"，而且会"编"。

2024 年，Koenecke 等学者在 FAccT'24 发表的研究（arXiv:2402.08021）指出，在他们对 Whisper 的测试里，约 1% 的转录包含完整的"幻觉句"——也就是音频里根本没说、模型自己生成的一整句话；而所有这些幻觉中，约 38% 带有显性危害（如凭空出现攻击性、误导性内容）。美联社（AP）在 2024 年 10 月也专门调查过语音识别在医疗、司法等场景的误用风险。OpenAI 自身在 Whisper 文档中就明确警示：不要将其用于"决策"或"高风险"领域。

所以，AI 字幕不是不能做，而是转写完必须有人过一遍——尤其当音频里有姓名、地名、数据、指令时。

Whisper到底什么来头：开源、免费、支持99种语言

目前最常被拿来"听写"的开源模型是 OpenAI 的 Whisper，其 large-v3 版本于 2023 年 11 月发布：参数量约 1.55B，支持 99 种语言，采用 MIT 许可（可商用），训练数据据 OpenAI 原始披露约 68 万小时（注：个别来源称更高量级，但 68 万小时为 OpenAI 官方披露、可核查的数字，本文采用此说）。

它在英文上的表现有公开基准：在 CV15 英文测试集上词错率（WER）约 5.6%；对中文，社区基准显示中文错误率（CER）相较此前版本下降约 10%–20%。国内开发者 zhaoshuaijiang 维护的中文语音识别基准上，large-v3 的成绩为：AISHELL-1 约 8.085%、AISHELL-2 约 5.475%、WenetSpeech 约 11.72%、会议场景（Meeting）约 20.15%——可以看到，安静录音表现很好，但真实会议、带噪声场景仍是短板。

中文实测：它听得准，但别迷信

把上面的数字翻译成人话：

- 单人、安静环境、普通话清晰 → Whisper 基本能给你一份"可直接修"的初稿；

- 多人对话、口音重、背景嘈杂 → 错误率会明显上升，会议场景 20% 上下意味着每五句可能就有一句要改；

- 专业术语、人名、品牌名 → 模型容易"猜"成常见词，必须人工核对。

好消息是，模型在进步。OpenAI 在 2025 年 3 月推出的 gpt-4o-transcribe，宣称相比上一代（Whisper v2）幻觉减少约 90%——如果你对幻觉零容忍，可以关注这类更新代际的模型。

避坑第一招：转写完，先人工过一遍"幻觉"

流水线第一步（转写）跑完后，别急着翻译，先做三件事：

扫陌生词：出现你从未听过的"人名""机构名"，大概率是模型编的，回听原音频确认；

扫断句突变：某句突然特别长、特别"书面"、和前后语气不搭，警惕是幻觉句；

扫数据：凡是数字、日期、金额，逐条回听核对。

这一遍不用逐字听，专挑"可疑点"回听，10 分钟音频大概 2–3 分钟就能过完，但能避开 most 灾难性错误。

翻译完就完事？平台规范才是真正的门槛

转写干净了、翻译也顺了，下一步是排成字幕。这一步最容易翻车，因为每个发布平台都有自己的硬指标。你翻译得再好，不符合规范，上传就被打回。

下面列两个最常被引用的权威规范。

Netflix的硬指标：16字/行、9字符每秒、最长7秒

Netflix 的《Timed Text Style Guide》是行业标杆，其中简体中文规范要点：

- 每行最多 16 个汉字；

- 阅读速度：成人内容约 9 字符/秒（CPS），儿童内容约 7 CPS；

- 通用时长要求：单条字幕最短 5/6 秒（24fps 下约 20 帧）、最长 7 秒、最多 2 行；

- 两条字幕之间的帧间隔不少于 2 帧；

- 格式用 TTML，并遵循 NETFLIX 字形表（Glyph List）。

为什么卡这么死？因为字幕是"看的"，不是"读的"。一行塞 30 个字，观众眼睛跟不上，信息就等于没传递。

TED的宽松与严格：42字/行、21 CPS、1–7秒

另一个常引用的规范是 TED 字幕指南：

- 每行最多 42 个字符（含标点），比 Netflix 宽松，因为 TED 多为英语语境、字符窄；

- 阅读速度约 21 CPS，明显高于 Netflix，节奏更快；

- 单条时长 1–7 秒，下限和上限与 Netflix 接近。

注意：TED 的"42 字符/行"是按拉丁字母算的，中文若直接套用会爆行。中文字幕请务必回到 Netflix 的"16 字/行"红线，别混用两个标准。

实操清单：从音频到成片，一条流水线

把上面所有要点压成一条可复制的流水线：

转写：Whisper large-v3（或 gpt-4o-transcribe）出初稿；

去幻觉：按"陌生词 / 断句突变 / 数据"三处回听核对；

翻译：逐句译，专名、术语建小词表保持一致；

排版：中文每行 ≤16 字、成人 ≤9 CPS、单条 1–7 秒、最多 2 行、间隔 ≥2 帧；

标点：中文用全角标点，引号转全角；

校对：上屏预览一遍，看有没有"溢出边框""闪得太快"；

交付：按平台要求导出（Netflix 用 TTML，其他多用 SRT/ASS）。

如果你做的是出海内容，记得目标语言也有自己的字幕规范（比如日语、韩语每行字数限制不同），别拿中文标准硬套。

收尾：AI是放大器，不是替身

回到开头那句话：AI 做字幕，10 分钟出稿是真的，但"出稿"不等于"能发"。真正的成本在转写后的去幻觉和排版时的规范对齐——这两步省了，前面省的时间全得加倍还回去。

把这条流水线存下来，下次做字幕直接照跑。你平时做字幕最卡在哪一步？是听写不准、翻译别扭，还是格式总被打回？评论区聊聊，咱们一起把坑填平。

觉得有用的话，点个"在看"，把这份避坑指南转给常做视频字幕的朋友。