字幕是怎么做到音画对齐的：从配音时长到烧录时机

字幕不同步的三种"病"

观众对字幕错位的容忍度极低。三种典型症状：字幕先于语音（字幕出现了话还没说）、字幕滞后（话说完了字幕才走）、断句错位（话说一半换行）。三种病的根源不同，解法也不同。

对齐的技术链路

第一步：拿到配音的真实时长。 对齐的基准不是估算——是 TTS 生成完成后音频文件的实际时长。这就是为什么字幕对齐必须发生在配音之后：先有音频，才有真实时间轴。任何"文案估算时长"的方案都在源头上埋了不同步。

第二步：断句粒度。 字幕的可读性要求单屏 12~18 字、一句一屏。按标点断句只是底线，按"语义断句"（主谓完整、不停在修饰语中间）才舒服。AI 分镜时按语义切句，字幕的断句质量跟着分镜质量走。

第三步：时间轴生成。 把每个断句映射到配音的对应时间段（按字符时长比例分配，再按静音区间修正）——这一步是纯工程，做得好的系统误差控制在百毫秒内。

第四步：烧录时机。 字幕"烧"进画面（硬字幕，不可关闭）发生在最终合成时，而不是每个切片生成时——因为切片可能被单独重跑，字幕必须以最终配音为准最后一次统一烧录。这就是切片制架构里"字幕永远对齐"的原因。

人工校对的介入点

全自动链路里，人应该在哪介入？两个点：专有名词（人名、品牌名、术语——同音字错字是 ASR 和断句的共同弱项）和情绪断句（一句话该在哪停顿，机器按标点，人按语气）。逐镜审核时顺手改这两处，字幕质量就是满分——比导出后再返工便宜十倍。