在影音語境中，caption 中文＝字幕（無障礙用，同語言）；字幕英文則依情境用 caption 或 subtitle。captioning 的中文是「字幕製作」，指的是把聲音內容轉成帶時間軸文字的這個動作；名詞 caption 的中文才是「字幕」。台灣日常講的「字幕」在英文裡通常對應 subtitle，而 CC 是 closed captioning 的縮寫，中文叫隱藏式字幕。這四個詞在中文裡幾乎混用，但在英美的無障礙規範裡意思並不相同，而且會直接影響你交出去的檔案該長什麼樣子。
一句話定義 caption 中文＝字幕（無障礙用，同語言）。 字幕英文＝caption 或 subtitle，視情境而定。
常見用法例句：
- "Please add captions to this video." →「請幫這支影片上字幕。」（在英美無障礙語境中，caption 通常指同語言、含音效資訊的字幕）
- "This French documentary has English subtitles." →「這部法語紀錄片有英文字幕。」（這裡是翻譯用的 subtitle，不是 caption）
我經營 Subanana，一套 AI 字幕與逐字稿工具。這篇只做定義整理，起因是我們每天都看到有人把這幾個詞當成同義詞，然後在交件時才發現對方要的不是自己做的那一種。先把定義弄清楚，後面選工具才不會選錯。
caption、subtitle、CC、逐字稿：四個詞差在哪？
先講一個很多中文教學不會說的前提：caption 和 subtitle 的差別，本質上是地區用法差異，不是絕對的技術分野。
W3C 的無障礙教育資源（WAI）寫得很直白：同一件事，不同地區用不同的字。原文是：「The terms "captions" and "subtitles" are used for the same thing in different regions of the world.」W3C 自己在那份文件裡採用的區分方式是：caption 指與口說語言相同語言的文字，subtitle 指其他語言的版本。
真正有實質差別的，是這一句：「Captions are needed for accessibility, whereas subtitles in other languages are not directly an accessibility accommodation.」caption 是無障礙需求，翻譯用的 subtitle 不是。
美加地區的慣例，中文維基百科的〈隱藏式字幕〉條目有更完整的說明：「在美國和加拿大，「subtitles」與「captions」有不同含義。「Subtitles」通常假設觀眾能聽見，但無法理解語言或口音……而「captions」則旨在為聾人和聽力障礙者傳達所有重要的聲音資訊——包括對白、非語言聲音資訊（如說話人身分、語氣），以及重要的音樂或音效。」
整理成一張表：
| 詞 | 中文 | 內容涵蓋 | 主要目的 | 你會拿到的檔案 |
|---|---|---|---|---|
| caption | 字幕（無障礙用） | 對白＋非語音聲音資訊（音效、說話人、語氣） | 讓聽不到的人取得完整資訊 | SRT / VTT，含音效標記 |
| subtitle | 字幕（翻譯用） | 只有對白與必要畫面文字 | 讓聽得到但不懂該語言的人理解 | SRT / VTT |
| closed caption（CC） | 隱藏式字幕 | 同 caption | 觀眾可自行開關 | 獨立字幕檔或播放器軌道 |
| open caption | 開放式字幕 | 同 caption | 永遠顯示，不能關 | 已燒錄進影片畫面 |
| transcript | 逐字稿 | 完整文字，無時間軸 | 閱讀、搜尋、存證、做會議紀錄 | DOCX / TXT / Markdown |
最後一列是實務上最容易踩到的：逐字稿和字幕不是同一種東西。字幕要短、要切句、要對時間軸；逐字稿要完整、要標點、要分段。同一段音訊，兩種輸出的排版邏輯是相反的。
把這五個詞放進同一張圖，關係會更清楚：三個分支的差別不在技術，而在「做給誰看」：
為什麼 CC 在台灣叫隱藏式字幕？
因為 closed 在這裡指的是「預設關著」，「封閉」只是字面上的中文翻法。
中文維基百科的定義是：「術語「隱藏式」（closed）字幕指的是字幕在預設狀態下對觀眾不可見，通常需要通過遙控器或選單選項手動開啟。相對地，「開放式」（open）、「嵌入式」（burned-in、baked on）、「寫死」（hard-coded）或簡稱「硬字幕」（hard）則表示字幕直接嵌入影片中，所有觀眾均可見。」
所以 CC 和硬字幕的差別不在內容，在於「能不能關掉」：
- 隱藏式字幕：字幕是一個獨立檔案或播放器軌道，觀眾按一下就能開關，也能換語言。YouTube、Netflix 的字幕按鈕就是這種。
- 開放式字幕（硬字幕）：字幕已經燒進畫面像素裡，永遠都在，觀眾關不掉，也不能翻譯或搜尋。
這件事會影響你的交付格式。如果對方要的是「可開關、可換語言」，你要交的是 SRT 或 VTT 檔；如果對方要的是「上傳就能播、平台不吃字幕檔」，你要交的是燒錄好的影片。台灣客戶講「幫我上字幕」的時候，這兩種都有人在講，值得先問清楚。
如果你還不確定 SRT 檔到底長什麼樣，可以先看SRT 檔是什麼？一分鐘看懂結構與開啟方式。
這個差別會怎麼影響實作？
三個具體的地方。
1. 標點符號的處理邏輯相反
字幕在慣例上少用句號。換行本身就是斷句，句末標點反而干擾閱讀節奏；逐字稿則相反，需要完整標點與分段才好讀。所以「這個工具輸出的字幕沒有標點」通常不算缺點，而是符合字幕慣例。反過來說，如果你要的是會議紀錄，那沒有標點就是真的不夠用。
2. 閱讀速度是硬限制
字幕不是把話全部塞進去就好，一行字停留的時間如果不夠觀眾讀完，字幕等於沒有作用。這是為什麼專業字幕流程會看 CPS（每秒字元數）。逐字稿沒有這個限制，因為讀者可以自己控制速度。
3. 自動字幕不能直接當成交付品
自動產生的字幕，除非經過確認完全正確，否則不符合無障礙要求。W3C WAI 對這點的措辭相當強硬：「Automatically-generated captions do not meet user needs or accessibility requirements, unless they are confirmed to be fully accurate.」
YouTube 官方說明頁的立場一致，他們自己寫：「We encourage creators to add professional captions first.」以及「You should always review automatic captions and edit any parts that haven't been properly transcribed.」
因此，不管你用哪一家的 AI，自動輸出都是起點，不是終點。任何宣稱「上傳完就能直接發布」的說法，跟平台自己的建議是相反的。
直播或活動場景有個常被忽略的限制值得先確認：中文直播想要即時字幕，得走別的路。YouTube 說明頁明確寫著：「Automatic captions for live streams are available in English only.」也就是說，直播的自動字幕只有英文。
那實際要做繁體中文字幕，有哪些路線？
三條，各有各的適用場景：
| 路線 | 適合 | 代價 |
|---|---|---|
| 剪輯軟體內建（Premiere、Final Cut、CapCut 等） | 已經在剪片、字幕只是其中一步 | 綁在該軟體裡，換工具要重做；多語言支援有限 |
| 平台自動字幕（YouTube 等） | 免費、只要影片放在該平台 | 品質不穩、需人工校對，且直播僅限英文（見上） |
| AI 字幕工具 | 需要多語言、要交檔案、要一次做完翻譯 | 需要付費；仍需人工確認 |
想看各類工具的實際比較，可以參考上字幕軟體推薦與比較，或直接看線上影片加字幕的完整流程。
Subanana 適合誰？不適合誰？
先講不適合的，這樣你可以省下時間。
不要選 Subanana，如果：
- 你只要一支影片、一次性、而且是英文——YouTube 的自動字幕加上人工校對就夠了，不需要付費工具。
- 你的字幕需求已經完全長在剪輯軟體流程裡，而且只做單一語言。留在原本的軟體裡比較省事。
- 你需要的是通過認證的無障礙字幕。法規等級的即時聽打，天花板仍然是人工的 CART 速錄員，不是任何一套 AI。
- 你要的是 ASS 或 FCPXML 這類格式。上傳檔案轉錄後，Subanana 匯出 SRT、VTT、TXT、DOCX、XLSX、Markdown 六種，沒有 ASS 和 FCPXML。
可以認真考慮，如果：
- 你要一次交出多語言版本。Subanana 支援 95 種以上語言，而且來源語言、翻譯語言用的是同一份語言清單。
- 你要的是中英對照的雙語字幕。Subanana 可以在同一個 SRT 檔裡同時輸出原文與譯文（一句上一句下），也能直接輸出燒錄好雙語字幕的影片檔。做法可以看中英對照字幕製作教學。
- 你在意閱讀速度。編輯器內建 CPS 標示，會把太密或太稀疏的字幕段落標出來，這是規則式的檢查，不是 AI 猜測。
- 你的內容有大量專有名詞。詞彙表可以用工作區層級或單一專案層級管理，每個詞還能標記是「所有語言通用」還是「限定某語言」，也可以用 XLSX 或 CSV 批次匯入整份名單。
- 你同時需要字幕和會議紀錄。逐字稿模式會自動補標點與分段，這在字幕模式不會套用——因為前面說過，字幕慣例本來就不加句末標點。
關於選模型這件事，我們的做法是持續評測各家語音辨識模型，依來源語言挑當下表現最好的那一個，不綁單一供應商；輸出還會經過幻覺偵測與自動換模型、LLM 輔助校對、CPS 標示等幾層檢查。我們不在部落格上寫準確率數字——這種數字很容易失真，也很難驗證。要判斷好不好用，拿你自己的音檔試最準。
即時活動字幕是另一個獨立功能：走麥克風或系統音訊直接輸入，一場最多可設定 5 種翻譯語言，觀眾掃 QR 用自己的手機選一種語言看。即時活動字幕的逐字內容無法以任何格式匯出或下載，只能在應用程式內閱讀。每個工作區有一次 5 分鐘的免費試用額度。細節在多語言活動即時字幕指南。
常見問題
caption 是什麼意思？
在影音語境裡，caption 指與口說內容同語言、並且涵蓋非語音聲音資訊的字幕。W3C WAI 的定義是：「Captions are a text version of the speech and non-speech audio information needed to understand the content.」——除了對白，還包含理解內容所需的非語音資訊。這也是它和純翻譯字幕最大的不同。
（提醒：caption 在其他語境有別的意思，例如社群貼文的說明文字，以及機器學習領域的 image captioning「圖像描述」，兩者都和影音字幕無關。）
上字幕英文怎麼說？
動作叫 captioning 或 subtitling，「幫這支影片上字幕」可以說 caption this video 或 add subtitles to this video。名詞 caption / subtitle 才是「字幕」本身。要注意 captioning 在英美語境偏向無障礙用途，subtitling 偏向翻譯用途。
subtitle 是什麼意思？
subtitle 的中文是「字幕」，指顯示在畫面下方、與聲音同步的文字。依 W3C WAI 的用法，subtitle 特指「其他語言」的版本，也就是翻譯字幕；它假設觀眾聽得到，只是聽不懂該語言。這也是為什麼 W3C 說翻譯用的 subtitle「不直接算是無障礙措施」。
字幕為什麼叫 CC？
CC 是 closed captioning（隱藏式字幕）的縮寫。closed 的意思是「預設不顯示」，觀眾要自己用遙控器或播放器選單打開。相對的是 open caption（開放式字幕），也就是燒進畫面、關不掉的硬字幕。所以看到 CC 標誌，代表這個節目有可自行開關的字幕軌道。
一句話總結
captioning 是「字幕製作」這個動作，caption 是無障礙取向的字幕，subtitle 是翻譯取向的字幕，CC 是可開關的隱藏式字幕，逐字稿則根本不是字幕。搞清楚對方要哪一種，比選哪一套工具重要。
如果你已經知道自己要的是多語言字幕檔或雙語燒錄影片，可以直接用免費額度試一支自己的影片再決定。
資料來源：W3C Web Accessibility Initiative — Captions/Subtitles、YouTube 說明中心 — Use automatic captioning、維基百科 — 隱藏式字幕。以上頁面均於 2026 年 7 月 28 日查閱。