AI 视频台词转写

不会。页面返回的是原语种对白，带说话人轮次和每行时间戳。文本接着交给译者或翻译服务，译好的措辞再回到字幕文件里。原始措辞始终留着，可以随时拿来对照，确认译文有没有偏离原意。把它当成字幕工程的第一道工序。

只靠音频翻译的人，要同时记住一句话、译出来、再估时间，审校者也没有东西可以对照。带时间的文稿把这些任务拆开：人名和数字可以先确认，再动含义。出错时能回到具体一行，而不是重听整段。分工清楚，返工就少一轮。

MP4、MOV、WebM、AVI、MKV 等常见封装可以直接导入，音轨会被直接读取，不必先抽出来。相机文件、录屏和剪辑软件导出的成片，都走同一个上传入口，大小以所选方案的上限为准。封装不被支持时，先转成 MP4 最省事。

说话人分离会标出每一轮，让两个声音不至于塌成一段，这决定了一份字幕稿能不能用。录音干净的对话分得较准；抢话、喊叫和很重的背景噪声会让边界变得不确定，需要人工再听一遍，尤其是远程采访。标错的地方可以手动改归属。

可以。SRT 导出带着每行的开始和结束，文件在字幕工具里打开时时间已经就位。长停顿可能需要推一下，快速的往来可能需要拆分，但最慢的那部分——听写和打字——已经完成。剩下的调整在时间线上拖动即可，不必重新对整条时间轴。

语种从音频判断，而不是看文件名，覆盖范围接近一百种口语。一部混用两种语言的影片，可以每种语言跑一次再把文稿合并，这通常比让识别在中途自行切换更稳，断句和术语也更一致。合并时按时间戳对齐，两份文稿不会错位。

剧集、培训课程和纪录片素材都属于常规情况，长片按所选方案的大小上限作为单次上传处理。特别长的素材可以在场景切换处切开，每份文稿都更容易对着画面复核，有疑问的段落也不会拖住整条流程，分批时每份都能独立核对。

能分开到说话人这一层：旁白和受访者会被标成不同轮次，读的时候不会混成一段。但音乐、环境声和旁白叠在一起时，分离效果取决于混音，旁白压得很低就可能需要人工校正。拿到文稿后先看轮次是否合理，确认无误再交给译者，不必自己重排段落。