它背后在跑什么

剪映的智能字幕不是简单录音转文字，后台至少跑四步：语音活动检测（VAD）→ 自动语音识别（ASR）→ 时间轴对齐 → 文本后处理。点「开始识别」后，先对音轨分段、判断哪些区间有人声，再逐段送进识别模型，最后按时间戳把文字定位到时间轴上。整个过程通常几十秒，普通话和常见外语已到可用水平。

操作步骤

第一步：识别。把视频拖入时间线，选中素材 → 文本 → 智能字幕 → 识别字幕，选主要语言（支持普通话、英、日、韩等，多语言可选自动检测但准确率下降）。确认音轨没静音。

第二步：校对。双击字幕块直接改字。优先改专有名词、数字、英文缩写（ASR 常把 "API" 识别成 "A P I"）。支持全局替换；时间轴偏差可拖动边缘或用拆分/合并调整。

第三步：双语翻译。在字幕面板点「翻译」选目标语言，会额外生成一条翻译轨，默认显示在原文下方。建议翻译文字略小于原文，避免遮挡画面；动词时态、代词指代是机翻高发错区，需人工看一遍。

导出注意

提升准确率的小技巧

音频预处理比换引擎更有效：背景音乐过大、有回音、说话人离麦太远，都会让 ASR 错误率成倍上升。另外可建自定义词库修正专有名词，方言场景识别效果会下降，校对优先级放在名词和数字上最划算。

功能入口与导出行为随剪映版本变化，专业版与移动端略有差异，以你当前 App 版本为准。