影片字幕：從影片自動生成 SRT 字幕檔的完整做法

最直接的理由是「觀看情境」。多數社群平台的影片預設是靜音自動播放，觀眾要主動點開聲音的比例很低。沒有字幕，你精心錄的旁白等於沒人聽到；有了字幕，靜音狀態下觀眾照樣能讀懂內容、被標題勾住，停留時間自然拉長。

第二是無障礙。字幕讓聽障或聽力退化的觀眾能平等地取得資訊，這在教學影片、政府單位、企業內訓與公開演講尤其重要，很多場合甚至是法規或標案的基本要求。

第三是搜尋與 AI 可讀性。字幕背後其實是一份完整的文字稿，搜尋引擎與 AI 助理讀得懂文字、讀不懂聲音。有了逐字稿，你的影片內容才有機會被搜尋到、被 AI 引用，而不是永遠鎖在音軌裡。

你最常遇到的字幕格式是 SRT。它其實就是一個純文字檔，內容是一段段「編號＋時間碼＋那句話」的組合，例如標明第 00:00:03 到 00:00:06 之間該顯示哪一行字。幾乎所有剪輯軟體、播放器與影音平台都吃這個格式。

VTT（WebVTT）是給網頁播放器用的近親格式，語法很像 SRT，但多了樣式與定位等網頁功能，常用於自架網站的 HTML5 影片。如果你要上傳到 YouTube 或匯入剪輯軟體，通常用 SRT；如果是嵌在自己的網頁播放，VTT 會更順手。

重點是：這兩種都是「外掛字幕」，也就是字幕與畫面分開，觀眾可以自由開關、平台也能拿去做搜尋索引。跟直接把字燒進畫面的「內嵌字幕」比起來，外掛字幕彈性大得多，之後要改字、翻多國語言都方便。

手動聽打的優點是精準，但成本高得驚人。你得反覆倒帶、逐句敲字，還要一格一格對時間軸，遇到專有名詞或口音更是折磨，一支長影片耗掉半天很常見。

自動生成則是先讓語音辨識把整段對白轉成帶時間碼的逐字稿，你只要從「校對」出發，改幾個聽錯的字、切一下太長的句子就好，時間軸系統早就幫你對齊了。實務上，這能把工作量從「聽打」壓縮成「潤稿」，效率差好幾倍。

要注意的是，自動辨識再強也不是百分之百，人名、品牌、行話仍建議快速掃一遍再上片。把它當成一個幫你打好草稿的助理，而不是完全放手不管，品質才會穩。

生成字幕最被低估的好處，是你順手拿到了一份完整逐字稿，而它能被重複利用。你可以把逐字稿整理成部落格文章或電子報，讓影片內容同時吃到文字搜尋的流量。

你也可以靠時間碼快速找出金句段落，剪成社群短影音；或用逐字稿產出章節重點、摘要與問答，放在影片說明欄或做成懶人包。Pepys 在轉檔的同時就能幫你生成 AI 摘要與章節，還能直接對逐字稿發問，例如「這支影片講了哪三個重點」，等於一次把二次創作的素材備齊。

對做多語市場的人來說，一份乾淨的字幕檔更是翻譯的起點。先有母語 SRT，再翻成其他語言的字幕，遠比從影片重頭聽打每種語言來得快。

影片裡常有還沒公開的內容、內部會議或客戶資料，交給線上工具處理前，務必看清楚對方怎麼對待你的檔案。有些免費服務會把你的上傳內容拿去訓練模型，這對商業或機密影片是風險。

Pepys 的原則是不會用你的音訊或文字去訓練 AI，你也可以選擇處理完就自動刪除原始檔，讓資料不多留一秒。這樣你既拿到字幕，又不必擔心影片素材外流或被二次使用。