Subanana
TXT 转 SRT 教程:为什么纯文本没办法直接生成准确的字幕时间轴

TXT 转 SRT 教程:为什么纯文本没办法直接生成准确的字幕时间轴

把一份 .txt 纯文本文件拖进在线 TXT 转 SRT 工具,通常几秒钟就能得到一个看起来正常的 .srt 文件:序号、时间码、文字,格式全都对。但把它放到视频上播放,差距很快就会出现。第一句字幕可能第 3 秒就跳出来,画面里的人却要到第 8 秒才开口,而且视频越长,这个时间差通常越大。

问题出在纯文本本身。一份 .txt 文件只有文字和换行,没有任何时长、语速或停顿的信息。任何只读文字、不读对应音频或视频的转换流程,都不可能知道你的录音实际在第几秒说了哪一句话。它只能用某种估算规则(例如每行给固定秒数,或按字数换算成阅读速度)分配时间码,猜的成分永远大于量出来的成分。本文说明这件事为什么在结构上就是如此,手上材料不同时可以怎么选,以及如果你的起点其实是一段录音或视频,怎么直接跳过先有 TXT、再补时间码这一步。

TXT 转 SRT 教程:为什么纯文本没办法直接生成准确的字幕时间轴

为什么纯文本没办法自己算出准确的时间码

一条 SRT 字幕的完整结构是序号、时间码(00:00:03,120 --> 00:00:05,800 这种开始时间到结束时间)、字幕文字,再加一个空行表示这一条结束。时间码要精确到千分之一秒,理论上要对应这句话真正被说出来的那一刻。

.txt 文件完全不记录这件事。它只是一串字符和换行符,没有波形,没有音频帧,也没有任何和时间相关的数据。所以任何把纯文本转成 SRT 的流程,本质上只剩两条路:

  1. 用公式估算: 例如假设每个字需要几分之一秒阅读时间,或者每一行固定给 2 到 3 秒,然后按这个假设往下排。
  2. 留空让你自己填: 工具生成的只是时间码字段的框架,实际数字要你对着视频一条一条手动调整。

这两条路都没有真正解决问题,只是把猜测的工作搬到了不同的地方。公式猜错了你不会知道,留空则是把时间全部还给你自己。像 GoTranscript、mConverter 这类免费在线 TXT 转 SRT 工具,说明页面写的操作流程都只有上传 TXT 文件到下载 SRT 文件这一步,没有提供上传对应音频或视频的选项,也没有说明时间码是怎么算出来的。这正好印证了上面的结构性限制:这类工具收到的输入本来就不包含语音,自然也就没有语音时间点可以参考。

如果你手上还留着原始录音或视频

需要 TXT 转 SRT,通常是因为手上有一份文字稿(可能是自己整理的访谈稿、会议记录,或者别的工具转出来的文本文件),想给它加上字幕用的时间轴。这时真正该问的第一个问题是:原始的录音或视频文件还在吗?

如果还在,直接拿原始音频或视频重新做语音识别,比想办法给现有 TXT 补上时间码准确得多。差别在于,语音识别是直接对着声音的波形分析,量出每一段话实际开始和结束的位置,不靠字数去猜。Subanana 的 AI 字幕工具做的正是这件事:上传原始音频或视频后,系统会按你选的来源语言,自动路由到目前评测表现最好的语音识别模型,直接输出对好时间码的 SRT,文字稿反而成了附带产物,不用再走先生成 TXT、再转成 SRT 这条回头路。

如果你真的只剩 TXT,原始文件已经不在了

有些情况原始录音确实拿不回来:外包商只交付了文字稿,旧项目的原始文件已经删除,或者这份 TXT 本来就是别人整理好转发给你的。这种情况没有捷径,但可以按对时间准确度的要求分两种处理:

  • 不需要精确对到帧,只要有大致的字幕节奏(例如翻译校对用、估算大概的段落长度):可以先用在线 TXT 转 SRT 工具。生成的时间码是均匀或按阅读速度估算出来的,和视频对不准是预料之中的事,拿到之后还是得整份看一遍有没有明显脱节的地方。
  • 需要精确对到画面(要发布给观众看、要导入剪辑软件):用字幕编辑软件人工对时,例如 Subtitle Edit(Windows 免费)或 Aegisub(跨平台免费)。两者都有波形显示,可以一边听声音一边拖动每一条字幕的起止时间。这条路准,但一个十分钟的视频手动对时通常要花上大半小时,是真正的体力活。

用 Subanana 从录音或视频直接生成 SRT

如果材料还在,这是最省事、也是唯一能得到和语音真正对上的时间码的做法。整体流程如下:

  1. 上传视频或音频文件,或粘贴公开链接: 支持常见的视频格式(.mp4/.mov/.webm/.mkv)和音频格式(.mp3/.m4a/.wav/.ogg/.aac/.flac/.opus),也可以直接粘贴 YouTube、Instagram 或 Facebook 的公开链接,不必先下载到本地。单个文件上限 30 GB、最长 8 小时,免费和付费方案通用。想一次处理多个文件,也可以批量上传。
  2. 选择来源语言(中文(普通话)、英文、日文、韩文等 95+ 种语言)。
  3. 系统自动识别并对时: 不绑定单一供应商,而是持续评测市面上的语音识别模型,按来源语言挑选当前表现最好的一个来处理。识别过程中如果检测到某段输出质量有问题,也会自动换一个模型重新处理那一段。
  4. 在编辑器中检查、修改文字和时间码: 过密、不易阅读的字幕会被系统标出来,方便你优先修正,不用整份从头看到尾。
  5. 导出 .srt(或 VTT、TXT、DOCX、XLSX、Markdown、FCPXML,共 7 种格式,也可以选定一种格式,把所有字幕轨一次打包导出)。

免费方案可以完整上传、预览每个文件前 15 分钟的识别结果,先拿自己的素材测试效果。但免费方案没办法导出 SRT、VTT、TXT 等文件,只能导出带水印的视频和 Word、Markdown 格式的 AI 摘要。要实际把 SRT 字幕文件导出来用,需要升级付费方案,费用从 US$9/月起(按年付费),详细方案可以参考价格页面。

三种情况怎么选

你的情况建议做法时间码准确度
手上还有原始录音或视频直接用 AI 语音识别重新生成 SRT准,按实际语音波形对时
只有 TXT,时间不用完全精确(校对、估算大致节奏用)在线 TXT 转 SRT 工具粗略估算,和画面通常对不准
只有 TXT,但需要精确对到画面,原始文件已经不在用 Subtitle Edit、Aegisub 等软件人工对时准,但很花时间

常见问题

TXT 可以直接转成 VTT 吗?

如果起点同样是没有时间信息的纯文本,VTT 和 SRT 遇到的是同一个问题:一样需要时间码,一样没办法靠文字本身生成。如果你手上是原始录音或视频,用 Subanana 的 AI 字幕工具可以直接选择导出 VTT,不用先转成 SRT 再另外转换。反过来,如果你手上已经有 SRT 字幕文件,只想去掉时间码转成纯文本文字稿,可以参考 SRT 转 TXT 教程。

可以一次批量转换很多个 TXT 文件吗?

免费在线转换工具大多一次只处理一份文件。如果你的起点其实是多个录音或视频,Subanana 支持一次批量上传多个文件,各自按选定的来源语言识别、生成字幕,不用一个一个重复操作。

用 Subanana 生成 SRT 之后,时间码还能手动调整吗?

可以。导出前都能在编辑器里逐条检查、修改文字和时间码,系统也会把过密、不易阅读的字幕标出来,方便你优先检查。导出之后如果还想调整,也可以用 Subtitle Edit 这类软件对现有 SRT 文件做微调。

手机上可以操作吗?

Subanana 是网页版工具,手机浏览器一样能打开、上传文件。不过上传大文件、逐条核对字幕文字和时间码这类工作,在电脑上会顺手很多,手机更适合临时看一下处理进度或结果。

结尾

TXT 转 SRT 这个需求,在结构上分成两种完全不同的情况。手上还有原始录音或视频,就直接重新识别,拿到真正对时的 SRT。手上真的只剩文字,那不管用什么工具,时间码都只能是估算出来的,差别只在于你愿意花多少力气人工修正。如果你正在处理的其实是一段录音或视频,不妨直接试试 Subanana,省掉先生成纯文本、再回头补时间轴的这一圈。