逐字稿交付格式：SRT、VTT、純文字同書面稿點揀

同一個轉寫結果，可以交成四種格式。

四種都叫「逐字稿」，但收件人拿到之後做嘅事完全唔同：一種貼上影片、一種上載網站、一種入搜尋、一種入報告。

交錯格式，對方唔會話你打錯字，只會話「用唔到」。

口語轉書面語嘅工序，我哋喺 會議紀錄嘅口語轉書面語 已經講清楚，本文只講交付。

重點摘要

• 四種格式：SRT（字幕檔）、WebVTT（網頁字幕）、純文字（搜尋同歸檔）、書面稿（報告）。
• SRT 冇正式標準，各家播放器容忍度唔同；交付前一定要用目標播放器試一次。
• WebVTT 係 W3C 規格，時間碼用小數點，支援講者標籤同定位。
• 時間碼精度要跟交付目的地定：毫秒、影格、還是只到秒。
• 行長同每條字幕嘅停留時間，決定觀眾讀唔讀得切。
• 交付前做十項 QA，比事後補救便宜。

四種格式，四種用途

SRT 係最通用嘅字幕交換格式，結構係「序號、時間碼、文字」三層。

WebVTT 係 W3C 制定嘅網頁字幕格式，檔頭要有 WEBVTT，時間碼用小數點分隔毫秒。

SRT：最通用，但規格最鬆

一條 SRT 長這樣：

1
00:00:01,000 --> 00:00:04,200
今日主要講三件事。

2
00:00:04,200 --> 00:00:07,800
第一件係交付格式。

三個細節要記住：

• 時間碼用逗號 , 分隔毫秒，唔係小數點。
• 箭咀係 -->，前後各一個空格。
• 每條字幕之間要有一個空行。

SRT 冇正式標準文件，所以不同軟件嘅容忍度唔同。

例如你用文字編輯器手改時間碼，改多一個空格，某些播放器仍然讀得到，某些就整條跳過。

所以交付前要拿目標播放器試播，唔好只在電腦預覽。

WebVTT：網頁原生，講者標籤最實用

WebVTT 係 W3C 規格，主要配合 HTML 嘅 track 元素（W3C WebVTT 規格，2026-05-20 版本，2026-10-31 查閱）。

最基本嘅結構：

WEBVTT

00:00:01.000 --> 00:00:04.200
今日主要講三件事。

同 SRT 有三個分別：

1. 檔頭要有 WEBVTT。
2. 毫秒用小數點 .。
3. 支援 cue 設定，例如位置、對齊、區域。

講者標籤係 WebVTT 嘅實用位。寫法係 <v 陳先生>講話內容，播放器可以按講者上色。

如果一條片有四五個人輪流講，與其每次寫「陳先生：」，不如用 voice span。

純文字：搜尋同歸檔嘅主力

純文字唔需要時間碼，但需要結構。

最低限度要有三樣：段落、講者標籤、一句一行。

講者標籤有三種常見寫法，交付前要同收件人講清楚用邊種：

• 陳先生： 放句首，最易讀，但會重複出現。
• [00:12:30] 陳先生 獨立一行，適合長會議。
• 陳先生（00:12:30） 放括號，適合報告引用。

行長建議每行 30 至 40 個全形字。太長，手機要左右掃；太短，讀起來斷斷續續。

書面稿：另一條工序

書面稿係第四種交付物。佢要做嘅係把口語改成書面中文，刪語氣詞、修語序。

呢個工序嘅判斷位好多，唔可以當成「格式轉換」。詳見 口語轉書面語嘅做法。

實務上，書面稿唔應該取代逐字稿，而係並存：逐字稿存檔，書面稿對外。

時間碼精度：跟目的地定，唔係越準越好

CPS 係指每秒顯示幾多個字元，用嚟判斷觀眾讀唔讀得切。

行業最常見嘅參考係「六秒規則」：一個兩行嘅完整字幕，顯示六秒，折算約 12 CPS。呢個規則來自眼睛追蹤研究，亦係多數字幕教科書嘅基準（UCL 字幕呈現時間調查，2026-10-31 查閱）。

實際上，各地電視台同串流平台用嘅速度差異好大，由 12 CPS 到 20 CPS 都有。所以「跟邊個標準」要寫入交付規格，唔好靠默契。

時間碼精度有三個層級：

廣播交付通常要跟影格。香港免費電視嘅字幕提供本身係牌照條件之一，通訊局會就缺失個案作出裁決（通訊局電視業務守則，2026-10-31 查閱）。

所以廣播鏈嘅格式唔係審美問題，係交付合規問題。

一般企業影片，毫秒已經足夠。硬要寫到影格，只會增加手工。

每條字幕停留幾久：兩個硬界限

字幕停留時間有下限同上限。

Netflix 嘅通用時序要求係：每條字幕最短 5/6 秒，最長 7 秒，最多兩行（Netflix Timed Text Style Guide，2026-10-31 查閱）。

呢兩個數字唔係美學偏好，係閱讀能力下限同注意力上限。

太短，觀眾讀唔切。太長，字幕會蓋住畫面，亦會同下一句重疊。

CPS 檢查嘅做法：把該條字幕嘅字數除顯示秒數，得出每秒字元。同一個項目內保持一致，比追求某個絕對數字重要。

講者標籤：三種場景三種寫法

同一份錄音，交付去三個地方，講者標籤可以完全唔同。

字幕場景：用 WebVTT 嘅 voice span，或者 SRT 入面用 － 開頭區分。

逐字稿場景：每個發言段落前加 陳先生：，保持連續。

報告場景：只在第一次出現時寫全名，之後用「陳」。

【獨家觀察] 講者標籤嘅真正難點唔係「點寫」，係「換場景之後仲認唔認得同一個人」。同一場會議嘅紀錄、字幕、報告由三個人做，最容易出現同一個人三個名。

三個場景都有一個共同要求：講者編號要穩定。同一個人唔可以一時叫「陳生」，一時叫「陳先生」。

例如同一場會議有三個陳姓參與者，就要用「陳（財務）」「陳（法務）」呢類後綴，唔好靠上下文。

交付前 QA 十項

【獨家分析】 交付格式嘅錯誤，九成都在「最後一哩」發生：內容對，格式錯，對方用唔到。所以 QA 要針對格式，唔係再讀一次內容。

字幕質量嘅學術評估亦指出，只睇文字準確度唔夠，行分割同時間軸都要一齊計（SubER 論文，2022 年，2026-10-31 查閱）。呢個正好對應下面嘅第十項。

1. 檔頭正確：SRT 有序號，VTT 有 WEBVTT。
2. 時間碼單調递增，冇重疊。
3. 每條字幕唔超過兩行。
4. 每條停留時間在合理範圍。
5. 標點齊全，句尾有終結符。
6. 數字同專名格式一致。
7. 講者標籤連續，冇中途改名。
8. 編碼統一，全篇同一種。
9. 頭尾各留一條緩衝，唔好第一句就講重點。
10. 用目標播放器或平台試播一次。

第十項最常被跳過。你用嘅剪片軟件讀得到，唔代表客戶嘅平台讀得到。

我哋嘅輸出限制

我哋嘅轉寫 API 只回 json 同 text，冇 SRT，亦冇逐句時間戳。

呢個係刻意嘅限制，唔係設定漏咗。

原因有兩個：時間碼需要另一套對齊工序，做唔準反而累事；而逐字稿嘅主要用途係搜尋同存檔，唔一定需要時間碼。

所以如果你要字幕，流程係：先用 API 拿文字，再另外做時間對齊，最後輸出 SRT 或 VTT。

長會議嘅分段同接駁方法，見 四小時會議錄音轉寫流程。

影片字幕同配音嘅完整工作流，見 廣東話影片字幕配音 Workflow。

存檔同文件用途嘅逐字稿要求，見 錄音轉逐字稿實務。

常見問題

SRT 同 VTT 可以互轉嗎？

大部分情況可以，但要改兩個位：檔頭同毫秒分隔符。轉換後要重新試播，因為部分播放器對空白行同序號好敏感。

逐字稿一定要有時間碼嗎？

唔一定。搜尋同歸檔用途，純文字加段落已經夠。要對片、要跳播、要做字幕，才需要時間碼。

講者標籤用真名定代號好？

對外文件用職位或代號，內部紀錄可以用真名。重點係全篇一致，並且在文件開頭說明規則。

一條字幕最長可以幾多字？

冇單一標準。實務上用「兩行、每行 30 至 40 個全形字」做上限，再用 CPS 檢查讀唔讀得切。

交付書面稿，仲要唔要交逐字稿？

要。書面稿經過改寫，唔可以當原始紀錄。法律、醫療、紀律程序尤其要保留逐字稿。

關於呢篇文

本文由港嘢內容團隊整理，格式規格同平台要求查閱日期為 2026-10-31。字幕時序數字取自 Netflix 公開樣式指引，廣播要求取自通訊局業務守則。想睇格式點影響會議紀錄，讀 逐字稿同會議紀錄嘅分別。有問題歡迎 聯絡我們，公司背景見 關於港嘢。

資料來源：W3C WebVTT 規格（檔頭、時間碼、voice span、text/vtt）；Netflix Timed Text Style Guide（每條最短 5/6 秒、最長 7 秒、最多兩行）；通訊局電視業務守則（字幕提供屬牌照要求）；ffmpeg 字幕格式轉換文件；港嘢公開 API 文件（只回 json／text，不支援時間戳格式）。本文由港嘢內容團隊編輯及覆核。