SRT 字幕時間軸對齊教學：批量調整、逐句校準與常見問題

**一句答你：**SRT 字幕嘅時間軸對齊，核心就係將「邊句對白幾時出現、幾時完結」同畫面對到正，差一兩秒觀眾就會出戲，呢篇會由時間碼格式、常用工具、自動化流，到用 TTS 配合 SRT 一次過做齊。

Key Takeaways

• SRT 字幕嘅時間軸對齊，本質係控制 00:00:00,000 --> 00:00:00,000 入面嗰兩個 timestamp，精準到毫秒就夠。
• 對齊嘅主要場景分三類：人手剪片、軟件自動對齊同用 TTS 直接吐出帶時間碼嘅字幕檔，後者最慳力。
• 廣東話 SRT 嘅時間軸仲有「句長唔等長」「中英夾雜」兩大致命位，要靠語速估算同分段策略救。
• 一條 10 分鐘嘅廣東話旁白，大約 2,400 字符，喺 240 字符／分鐘嘅語速下做時間軸會比較順。
• 用支援 SRT 輸出嘅 TTS API，可以慳甩逐句逐段 set timestamp 嘅工序，但 job pool 一凍就要排隊。
• 對齊完一定要做「離線檢查」：聲畫同步、句間停頓、字數同預期差距，呢三步唔做就會出街即炒。

SRT 時間軸對齊嘅基本概念

SRT（SubRip Subtitle）係香港同華語世界最通用嘅字幕檔格式，一個 .srt 檔入面會有若干段「字幕 block」，每段結構如下：

1
00:00:01,200 --> 00:00:04,500
第一句對白喺度

2
00:00:04,800 --> 00:00:07,000
第二句對白

時間軸對齊，講到尾就係將每段 block 嘅入時間（in-point）同出時間（out-point）校到同畫面／聲對得正。表面睇好似好簡單，但實際操作會撞到幾個位：

• 字早過對白出 → 觀眾未聽到就見到字，會搶注意力
• 字幕遲過對白出 → 觀眾聽完先見到字，會諗呢句係咪已經過咗」
• 字幕停留得太短 → 觀眾睇唔切
• 字幕停留得太耐 → 同下一句撞時間

呢啲都係時間軸對齊要解決嘅核心問題。

SRT 時間碼格式

正式 SRT 嘅時間碼格式係 HH:MM:SS,MMM（時:分:秒,毫秒），中間用 --> 連接，秒同毫秒之間係逗號而唔係句號。例如：

00:01:23,456 --> 00:01:26,789

• 小時位可以係兩位數（00、01），但一般都係兩位
• 分鐘同秒都係兩位數，唔可以寫 1:23
• 毫秒係三位數，000 至 999

如果你嘅時間軸工具輸出 00:01:23.456（句號）或 1:23.4（單位唔啱），可能個檔案喺某啲播放器會讀唔到，要校返做逗號。

對齊嘅三個核心指標

做廣東話 SRT 對齊，可以記住三個 KPI：

呢三個指標夾得好，時間軸就會睇落自然。

點解廣東話 SRT 特別難對

廣東話字幕比普通話或英文字幕難搞，原因有三：

1. 句長差異大

廣東話口語會用好多短句、加語氣詞（「嘅」、「咩」、「囉」、「啦」），同時間中夾長句。例：

「喂，我同你講呢樣嘢，唔係咁嘅，佢真係冇嚟過㗎。」

呢句如果切成 3 至 4 段字幕，每段就 7 至 10 個字左右，時間軸要逐段微調。英文同樣意思可能要 20 個字一段，時長反而好控制。

2. 中英夾雜好常見

香港人講嘢成日中英夾雜，例：

「今日個 meeting 改咗去 3 點，你 send 咗 email 未？」

一句入面有中文、英文 brand 名、數字，淨係每個 token 嘅顯示度就唔同，再加上英文係一個英文字算一個字符、中文係一個文字算兩個字符（依據 RFC 3986 嘅 UTF-8 計算），字符數同實際熒幕闊度唔係線性關係。要做好對齊，最好事先 做一次中英夾雜 TTS 嘅口語化測試，睇下你嘅工具點處理呢類混合文本。

3. 語速變化大

廣東話正常講嘢大概 200 至 280 字符／分鐘，但情緒激動或者演繹式旁白可以去到 320 甚至更高。換言之，用同一個語速估算所有段落，時間軸就一定會移位。

呢個位，港嘢估算約 240 字符／分鐘（2026-10-01 產品裁定）作為基準，但實際剪片時要按聲線現再調整。可以用 TTS 情緒控制指南 嗰度嘅演繹風格做參考，睇下你揀嘅 preset 係咪偏向慢定快。

SRT 時間軸對齊嘅三條工作流

時間軸對齊可以分三個流派，由人手到自動化各有優缺。

工作流 A：人手逐段校（傳統剪片師做法）

最傳統做法就係：

1. 拎到一段對白錄音者影片
2. 開 Su或title Edit、Aegisub、Premiere 字幕面板之類嘅工具
3. 邊聽邊逐段 set timestamp
4. 校完導出 SRT

好處係精準壞處係慢。一條 10 分鐘影片，人手做可能要 1 至 2 個鐘，而且越做越攰，後段嘅準成度會下降。廣東話對白如確仲有 語詞同停頓位，人手更易錯位。

工作流 B：用軟件自動對齊（forced alignment）

Forced alignment 係用聲學模型，將音頻同文字對齊，自動出時間軸。常見工具包括：

• Aegisub + 插件（免費，但廣東話模型支援參差）
• 字幕俠類網站（上傳音頻自動出 SRT，但廣東話辨識準成度未夠）
• Mo確treal Forced Aligner（學術用，支援廣東話但要 setup）

呢條路慳人手時間，但要後續人手執：廣東話同音字多，「係」「市」「事」讀音一樣但意思唔同，自動對齊會撞呢啲位。

工作流 C：用 TTS 直接 SRT（最慳力）

最直接嘅做法：用支援 SRT 輸出嘅 TTS API，直接拎帶時間碼嘅字幕檔。

以港嘢嘅 API 為例，POST /v1/audio/jobs 帶 srt=true 會行 async 軌（短過 300 字符嘅 sync 捷徑唔支援 SRT，會回 400 srt_not_supported_sync），完成後個 job 會一齊俾返你 .srt 檔案或者 SRT 格式嘅字幕 payload時間軸已經對好，唔使你人手逐段 set。

呢條路有幾個位要留意：

• 並行上限：每個 plan 都有 in-flight 任務上限（免費 3、入門 5、專業 10、工作室 20），撞到上限會回 429 in_flight_limit_reached
• Rate limit：預設 60 個成功 billable 請求／分鐘／key，開 key 時可調
• 音頻 URL 時效：直接由 generation worker 出嘅 audio URL 係 7 天有效；materialized（入咗 audio library）嘅就 1 小時，過期要 re-poll

如果你嘅工作流係「先生成、再後期、再剪」，記得 job 完成後即刻下載同備份音頻，唔好等到第 8 日先攞。

用 TTS 生成 SRT 嘅實戰步驟

以下係用 TTS 一次過做齊旁白同字幕嘅完整工作流。

步驟 1：準備劇本

將你嘅旁白稿整理成純文字，唔好加任何時間碼。文本上限 1 至 500 字符，超過會回 400 text_too_long。如果劇本長過 500 字，就要分批。

呢個位可以參考 廣東話 TTS 完全指南 嘅文本預處理章節，特別係 書面語同口語嘅切換，劇本口語化程度直接影響後出嚟嘅語速同字幕停頓位。

步驟 2：估算時間軸

用 240 字符／鐘 做基準估算，10 分鐘旁白大約 2,400 字符。實際操作：

呢個表幫你做粗略 timeline pre-planning，實際 TTS 生成後再微調。

步驟 3：提交 SRT job

用 POST /v1/audio/jobs，body 入面設 srt: true，行 async 軌：

{
  "text": "你嘅劇本內容",
  "voice": "sum",
  "srt": true
}

留意：

• 提交後會回 202 加 job_id
• 然後用 GET /v1/audio/jobs/{id} poll 狀態
• 讀取 endpoint（GET jobs／GET voices）唔限流，可以放心 poll
• text 必須 1 至 500 字符；超過 300 字符就一定要行 async
• 字體／顏色呢啲 styling 唔喺 SRT 範圍，係後期 player 嘅事

步驟 4：執時間軸

TTS 出嘅 SRT 時間軸大約 8 成啱用，剩低 2 成要人手微調。常見要執嘅位：

• 句首提早／延遲 200 至 500 毫秒 — 視乎你想觀眾先聽到聲再見到字，定齊出
• 句尾預留呼吸位 — 一句完結到下一句開頭，預 300 至 800 毫秒
• 長句斬開 — 單句超過 7 秒停留，觀眾會睇到攰，要斬

呢步可以配合 TTS 批量生成工作流 一齊做，長劇本分批生成後逐段執時間軸。

步驟 5：匯入剪片軟件

將個 SRT 匯入 Premiere、Final Cut、DaVinci Resolve、CapCut 都得。大部分剪片軟件都支援 SRT 軟字幕（soft subtitle）直接 load：

• Premiere：File → Import → Caption
• Final Cut：File → Import → Captions
• DaVinci：Subtitle Track → Import Subtitle
• CapCut：直接拖入時間軸

如果要做硬字幕（burn-in，燒入畫面），仲要 export 一層，但呢個同 SRT 對齊無關，係另一個工序。

廣東話 SRT 對齊嘅常見踩坑位

以下係過往做廣東話字幕對齊時最容易撞嘅問題，逐個列返。

踩坑 1：時間碼用咗句號

用 Aegisub 或者 Subtitle Edit 預設輸出有時用句號（.）做毫秒分隔，但 VLC、PotPlayer、部分社交媒體播放器會讀唔到。要校返逗號版本。

可以用 Subtitle Edit 嘅「Settings → Output → Time format」轉返 HH:MM:SS,MSF。

踩坑 2：句間停頓太短

廣東話對白中間成日有「咁呢」、「即係」、「呢個」呢啲 filler 詞做停頓。如果 SRT 段與段之間 gap 設得太短（少過 200 毫秒），字幕會黐住一齊睇唔清。

建議句間 gap：

• 一般對白：300 至 500 毫秒
• 慢節奏旁白：500 至 800 毫秒
• 快節奏對白：200 至 300 毫秒

踩坑 3：忽略咗多音字

廣東話好多多音字（「重」可以讀「zung6」或「cung4」、「行」可以讀「haang4」或「hang4」），TTS 如果讀錯音，會連帶影響 SRT 嘅顯示，建議事先 睇下廣東話多音字攻略，劇本階段就校好讀音。

踩坑 4：長句冇斬

一段字幕停留 7 至 10 秒對廣東話觀眾嚟講太長。建議：

• 一般一句 4 至 8 個中文字
• 停留 2 至 5 秒
• 超過 5 秒就要斬

呢個規範參考緊 BBC 同 ViuTV 嘅字幕標準。

踩坑 5：忘記校時區／幀率

如果個 SRT 嘅時間軸對住 25fps 嘅 PAL 影片，但剪片時用咗 29.97fps 嘅 NTSC 時基，個 SRT 慢慢會 drift。匯入時記得校返時基一致。

高階：SRT 時間軸自動化嘅幾條路

如果你做大量廣東話字幕，如 YouTube 頻道、網課、podcast 字幕，可以考慮更高階嘅自動化。

路 1：FFmpeg + TTS 串接

用 FFmpeg 將 TTS 出嚟嘅音頻切成多段，配合 SRT 嘅 timestamp 做標記。FFmpeg 嘅 -ss 同 -t 參數可以精準 cut 音頻：

ffmpeg -i input.mp3 -ss 00:00:01.200 -t 00:00:03.300 output.mp3

配合 SRT 嘅時間軸，可以做到半自動剪片。

路 2：Python 腳本後處理

寫個 Python script 讀取 SRT，逐段做微調：

• 統一將所有 timestamp 提早 200 毫秒（lead-in）
• 將短過 1 秒嘅段延長到 1.2 秒
• 將長過 6 秒嘅段斬開

呢類後處理可以一鍵 apply 喺成個 channel 嘅字幕。

路 3：MCP／Agent 接入

如果用 LLM agent 做內容生產，可以直接經 MCP 接入 港嘢 API，由 agent 自動：

1. 拆劇本做多段（每段 ≤500 字符）
2. 每段提交一個 TTS job
3. job 完成後拎返 SRT
4. merge 多個 SRT 做一個完整字幕檔

API 同 Playground 用量係 1:1 共用月配額（2026-09-12 裁定），所以記得計埋 agent 提交嘅量。批量（items）係專業同工作室專屬，免費入門 plan 帶 items 會零提交、零扣費（回 403 batch_requires_pro）。

點樣揀 SRT 對齊工具

揀工具主要睇三個維度。

維度 1：支援廣東話嘅程度

唔係所有字幕工具都對廣東話友善。要留意：

• 編碼：必須支援 UTF-8（廣東話有繁體字同標點）
• 顯示字體：字幕軟件預設字體未必包晒所有廣東話字（例如「嘅」、「嗰」、「啲」嘅變體）
• 自動對齊：廣東話聲學模型支援嘅工具唔多，要事先試

維度 2：同 TTS 嘅整合度

如果個工具可以一次過出音頻 SRT，會慳好多工序。港嘢嘅 TTS API 支援 srt=true 參數一次過吐 SRT，比起分開做「先生成音頻、再對時間軸」快好多。

可以參考 TTS 配音導演指南 嗰度講嘅配音流程，配 SRT 對齊一齊做。

維度 3：協作能力

如果你同其他人一齊做字幕，要睇工具嘅協作功能：

• 多人同步編輯
• 版本控制（git 或者內建）
• 審批流程

Subtitle Edit、Aegisub 係單機版；Subtitle Horse、Amara 係線上版支援協作。

對齊完成後嘅 QA 清單

校完 SRT 唔好即出街，做一次 QA：

• 隨機抽 5 段，睇下時間軸同音頻對唔對得正
• 全部段播放一次，確保無字幕黐住或者跳
• 檢查每段停留時間，長過 6 秒嘅要斬
• 檢查句間 gap，唔可以全部都 0 毫秒
• 檢查特殊字符（「，」、「、」、「？」、「！」）嘅位置
• 用唔同播放器試一次（VLC、PotPlayer、手機 App）

如果做大量字幕，可寫個 Python script 自動 scan 個 SRT 檔，搵出異常段（停留太短／太長、gap 太細、字符太多）。

廣東話 SRT 對齊嘅最佳實踐

總結返幾個重點：

1. 文本預先口語化 — 寫劇本時用廣東話口語，唔好直接由書面語譯過嚟
2. 字符數估算 — 240 字符／分鐘做基，再按演繹風格調整
3. TTS 直接出 SRT — 慳人手對齊時間，但要記得事後微調
4. 句間預留停頓 — 300 至 800 毫秒視乎節奏
5. QA 唔好慳 — 字錯位會直接影響觀眾體驗

如果你想由零開始學廣東話 TTS，可以睇下 粵語 TTS API 快速上手 同 API 生成地道粵語語音指南，由 API 接入到 SRT 輸出都有覆蓋。

常見問題 FAQ

SRT 時間軸對齊要做到幾精準？

一般觀眾可以接受 ±0.3 秒嘅誤差，超過 ±0.5 秒就會覺得唔自然。所以目標係控制在 ±200 毫秒以內。專業字幕（例如聾人字幕）要求更嚴，會到 ±50 毫秒，但廣東話 YouTube 內一般 ±200 毫秒就夠用。

用 TTS 生成嘅 SRT 仲使唔使人手執？

大約 8 成可以直接用，剩低 2 成要執。執嘅位包括：句首提早／延遲、長句開頭、特殊停頓位。完全唔執就出街嘅話，觀眾會感覺到「差少少」，特別係長對白段。

SRT 同 VTT 有咩分別？時間軸對齊方法一樣嗎？

SRT 同 WebVTT 格式好相似，主要分別係 VTT 用句號做毫秒分隔（00:01:23.456），而 SRT 用逗號（00:01:23,456）。時間軸對齊方法一樣，但匯入時要留意格式轉換。大部分工具都支援兩者互轉。

如果劇本超過 500 字符點算？

TTS API 嘅 text 1 至 500 字符上限係硬限制，超過會回 400 text_too_long，唔會自動截斷。要分批提交，每批獨立生成 SRT 檔，再用 merge 工具（例如 Subtitle Edit）合併。合併時記得每段 timestamp 要銜接返，可以用最後段嘅 out-point 做下一段嘅 in-point 起點。

廣東話 SRT 嘅編碼要點設定

必須用 UTF-8（with BOM 或者 without 都得，但有 BOM 比較穩）。如果你用 Subtitle Edit，預設編碼係 UTF-8，但舊版 Windows 嘅 Notepad 開可能會變亂碼。建議用 Notepad++ 或者 VS Code 開 SRT 檔，確認編碼係 UTF-8。

SRT 對齊可以用 AI 自動做嗎？

可以，但有局限。Forced alignment 類 AI 工具（例如 Whisper + alignment）對廣東話支援越嚟越好，但同音字、專有名詞、中英夾雜嘅辨識仍然有誤差。如果你用 TTS 而唔係錄音，可以直接由 TTS 吐 SRT，呢條路最穩陣，因為 TTS 知道自己每段嘅 timestamp，唔需要靠聲學模型去猜。

SRT 對齊失誤會點？觀眾真係會介意嗎？

會。好似 Netflix、ViuTV 嘅字幕都係專業級，觀眾已經習慣高質字幕。如果你出嘅字幕成日錯位、停留太短、句間無停頓，觀眾會覺得「呢條片好 cheap」。YouTube 自動翻譯字幕嘅甩漏位就係反面教材。

---

[!CTA]

用 TTS 一次過做齊廣話旁白同 SRT 字幕

試下港嘢 Playground，由劇本直接生成帶時間碼嘅 SRT 檔，省掉逐段 set timestamp 嘅工序