廣東話字幕製作工序拆解：ASR 負責 spotting，人手負責意譯同字數

「幫我出份字幕。」接到呢句嘅人，實際上接咗一條六道工序嘅鏈。

呢條鏈入面，有一部分機器已經做得好快，有一部分到今日都係人手判斷。分唔清楚邊段係邊段，就會出現兩種浪費：一種係用人手做機器做得更快嘅嘢（逐句聽打、逐句對時間），另一種係以為機器可以代做判斷（直接把逐字稿貼上銀幕）。

本文拆解香港字幕製作嘅工序：ASR（語音轉文字）接得郁邊幾道，人手守邊幾道，同埋點解「逐字稿」同「字幕」係兩種唔同嘅交付物。

重點摘要

• 字幕生產六道工序：收音 → 粗稿轉寫 → spotting／斷句 → 意譯壓縮 → cps／時間軸 QC → 交付。
• ASR 接得郁前三道嘅原材料：講咗乜（粗稿）、幾時講（初 spotting）、邊個講（講者分行）。
• 人手守嘅係判斷位：意譯壓縮、斷句取捨、字數同閱讀速度平衡。
• Netflix 繁體中文指引：每行 16 個全角字符、最多兩行；成人節目閱讀速度上限每秒 9 字。
• 一句 4 秒對白，上限 36 字，兩行上限 32 字 — 逐字稿有 50 字就一定要刪。呢個係「字幕唔係逐字稿」嘅算術原因。
• 香港電視字幕提供係牌照條件之一，交付合規唔可以求其。

香港字幕嘅兩條慣例

拆工序之前，先講兩條影響每一道工序嘅慣例。

第一，字幕用書面語，唔係粵文逐字。 香港電影同電視字幕長期以書面語書寫粵語對白，係本地觀眾習慣咗幾十年嘅呈現方式。呢條慣例決定咗：由「講嘢」到「字幕」之間一定有一道改寫工序，而呢道工序係判斷，唔係轉檔。

第二，字數同閱讀速度有硬界限。 行業最常用嘅參考係 Netflix 嘅語言指引：《Chinese (Traditional) Timed Text Style Guide》列明每行最多 16 個全角字符、最多兩行；成人節目閱讀速度上限每秒 9 字，兒童節目每秒 7 字（Netflix Partner Help Center，2026-10-31 查閱）。唔同平台同電視台嘅數字有出入，但「有硬界限」呢件事冇例外。

香港免費電視仲有一層：字幕提供本身係牌照條件，缺失個案通訊局會處理。呢個合規面喺逐字稿交付格式已經講過，本文唔重複。

呢兩條慣例加埋，就係字幕工序嘅約束條件：輸出一定要係壓縮過嘅書面語，而且長度由閱讀速度決定，唔由對白決定。

字幕生產六道工序

六道工序入面，ASR 改變咗第二、三道嘅成本結構；第四、五道到今日都係字幕師嘅專業位。

ASR 接得郁嘅三段

粗稿轉寫。 ASR 做嘅係「講咗乜」：把音頻變成文字稿，連同每句嘅時間位置。廣東話有變調同中英夾雜，引擎質素直接決定粗稿可用度。

初 spotting。 Spotting 係指決定每條字幕幾時出現、幾時消失嘅工序 — 字幕行內叫「對時間」。有了句級時間碼，每條字幕嘅出入點就有咗起點。ASR 出嘅時間戳係「幾時講」，字幕師要嘅係「幾時出、幾時收」— 兩者唔相等，但前者把後者由「逐句聽、逐句拉時間軸」變成「校準」。

講者分行。 多人對白要分邊句係邊個講。講者分辨（diarization）由引擎先分一次，字幕師再校，做法見講者分辨指南。

仲有一個細位：數字。錄音講「二千三百蚊」，字幕寫「2,300 蚊」定「二千三百蚊」，全片要一致；規範化嘅原則同限制，見逐字稿數字規範。

呢三段＋一個細位，就係 ASR 喺字幕鏈入面嘅全部貢獻。貢獻唔細 — 過去字幕師最大嘅時間成本正正係打字同對時間軸。

人手守嘅三段：判斷唔可以外判

意譯同壓縮。 意譯 係指按意思重寫，唔係逐字對譯 — 字幕唔係逐字稿，理由可以計出嚟：

例如一句 4 秒嘅對白，按每秒 9 字嘅成人閱讀速度上限，最多容納 36 字；但一行上限 16 字、最多兩行，即係實際上限 32 字。如果逐字稿嗰句有 50 字 — 好平常，口語有好多重複同語氣詞 — 字幕師就要刪到 32 字以內，刪邊啲、留邊啲，係內容判斷。

呢個係「字幕唔係逐字稿」嘅算術原因：唔係品味偏好，係閱讀能力同畫面空間嘅物理界限。

【獨家觀察】 ASR 準確度進步之後，字幕師嘅時間分配改咗：以前八成時間喺打字同對軸，而家八成時間喺取捨 — 邊句壓、邊句留、邊度斷。工序冇少，工序嘅內容變咗。同樣嘅判斷位，喺口語轉書面語嘅改寫入面都出現。

斷句取捨。 邊度開新一條字幕，要跟語意單元：一句嘢唔可以喺半個意思嗰度斷開；兩行嘅換行位同樣有講究。呢啲決定影響觀眾讀唔讀得切，機器可以按字數切，但切得啱唔啱要人睇。

cps 取捨。 對白講得快過人讀得，係常態唔係例外。字幕師嘅選擇係：縮寫、省略重複、或者俾字幕多停留半秒。每個決定都係「忠實度」同「可讀性」之間嘅取捨，取捨標準要全片一致。

格式同停留時間嘅技術細節（幾多行、幾耐、時間碼精度），交付格式嗰篇已經拆解，本文唔重複講。呢度只補一句：QC 唔止人眼 — 行業有專門嘅字幕評分指標（例如 SubER），把文字準確度、時間軸、分行一齊計分（SubER 論文，2022 年，2026-10-31 查閱），可以攞嚟做批量自動檢查嘅參考。批量 QC 起碼行三樣機械檢查：

• 每行字數有冇超過交付規格上限
• 每條字幕嘅讀速有冇超標
• 時間軸有冇重疊或者間距過近

由工序角度睇：逐字稿同字幕係兩種交付物

同一條錄音，可以出兩種嘢：

所以「用 ASR 出字幕」呢句話嘅準確意思係：用 ASR 出字幕嘅原材料。跳過意譯同斷句直接把粗稿變成字幕檔，出嚟嘅嘢通常行數爆、讀速超標，觀眾睇唔切。

創作者側嘅完整流程（影片由粗稿到可搜尋文稿再上字幕），見Podcast／YouTube 轉錄工作流。

無障礙字幕：人手判斷再多一層

聽障觀眾用嘅字幕，SDH 係指專為聽障及聾人觀眾設計嘅字幕（Subtitles for the Deaf and hard-of-hearing），要多一樣嘢：非語音資訊。例如門口「砰」一聲、電話響、背景有人笑 — 呢啲決定「咩聲音值得寫低」嘅判斷，ASR 基本上幫唔到手，因為引擎嘅工作對象係講話。W3C 嘅無障礙標準都係咁定義：captions 唔只包對白，仲要包講者身份同有意義嘅音效資訊（W3C WCAG Captions 指引，2026-10-31 查閱）。三層做法（影片字幕、即時轉寫、服務文字版）見聽障粵語字幕指南。

另一條鏈：AI 配音出字幕

如果條片根本冇人聲，係 AI 配音（TTS）配出嚟嘅，字幕鏈會掉轉：由文字稿出發，配音同字幕一齊生成，時間軸天然對齊。呢條鏈嘅做法見TTS 加 SRT 字幕流程；拿現成 SRT 對軸微調，見SRT 時間軸對齊教學。字幕配音兩棲嘅完整 workflow，見廣東話影片字幕配音工作流。

呢條鏈唔取代上面六道工序 — 佢處理嘅係「由文字到影片」；由「人講嘢」出發嘅項目，照行六道工序。

選型（粵語支援、熱詞、時間碼、部署、計費）一頁對照：粵語 ASR 平台比較。

常見問題

ASR 準確度咁高，字幕係咪可以唔用人手校？

準確度講緊文字層。就算文字全對，字幕仲有意譯壓縮、斷句、字數、讀速四層判斷。文字層由機器做，判斷層由人做 — 分工唔係技術限制，係交付物性質決定。

粵語字幕點解唔照口語寫？

本地長期慣例係書面語字幕，觀眾已經習慣。照口語逐字寫，除咗字數更難控制，仲會同平台指引同本地呈現慣例撞板。口語轉書面語嘅改寫原則，見口語轉書面語做法。

ASR 出嘅時間碼可以直接用嚟做字幕時間軸？

可以做起點，唔可以做終點。字幕出入點要跟語意單元、停留時間下限同鏡頭變化調整。實務上 ASR 時間碼把「逐句拉軸」變成「逐條校準」，時間慳喺度，判斷仍然喺人。

一行 16 字係咪全世界通行？

16 字係 Netflix 繁體中文指引嘅數字；唔同平台、電視台同媒體各有規格，數字有出入。接項目前先攞交付方嘅規格書，唔好假設統一標準。

關於呢篇文

本文由港嘢內容團隊整理。字數同閱讀速度標準引 Netflix Partner Help Center《Chinese (Traditional) Timed Text Style Guide》（2026-10-31 查閱）；香港電視字幕牌照要求引通訊局電視業務守則，詳細討論見站內逐字稿交付格式一文。文中工序劃分為行業常見做法整理，唔代表任何單一公司內部流程。關於港嘢，見關於我們頁；發現錯漏歡迎聯絡我們。