先把问题解决
记录来源时长、所选片段、音轨与输出要求。 选择包含说话、停顿与场景变化的短样本。 重新打开实际下载文件，检查起止边界，并抽查中段。
先规划输入与核查
- 记录来源时长、所选片段、音轨与输出要求。
- 选择包含说话、停顿与场景变化的短样本。
- 重新打开实际下载文件，检查起止边界，并抽查中段。
按步骤选择具体操作
- 处理音频文件: 选择可用操作与输出格式，试听是否削波、丢失声道或截断说话。
- 处理视频文件: 在测试导出中检查所选片段、宽高比与音轨；扩展名本身不能证明播放兼容。
- 校对转写与字幕时间线: 对照录音修正名称和数字，检查字幕边界与语言轨，再用目标播放器测试导出字幕。
- 使用已配置的服务端媒体路径: 处理大录制时，上传前检查服务端处理说明与服务可用性；核对返回文件，不要套用浏览器本地处理的隐私假设。
- 检查媒体交付问题: 媒体分析需上传到已配置的常驻服务，字幕检查在浏览器完成；静音、黑场与响度提示须结合上下文确认后再修改。
对照一个编辑示例
把验收条件写清楚
自动转写把产品编号识别错，末条字幕还超出裁剪后视频。
对照录音校正编号，把字幕结束点对齐裁后时长，并重播带字幕轨的视频。
从第 12 秒开始裁剪，字幕也要换时间原点
自编示例：原录屏保留 00:12.000 至 00:42.000，裁后时长为 30 秒。原字幕有一条从 00:15.200 到 00:18.600。若字幕仍使用原录屏时间，它会在裁后视频中晚 12 秒显示。新时间应分别减去 12 秒，得到 00:03.200 至 00:06.600。
跨越裁剪边界的条目需要单独判断。例如原条目 00:10.000 至 00:13.000，直接偏移后是 −2 至 1 秒，字幕工作台会拒绝这次整体偏移。先删除完全位于切点前的条目；若这条跨界字幕仍有可保留的语音，先把原开始时间改为 12 秒，原结束时间仍为 13 秒，再对保留条目统一偏移 −12 秒，才会得到 0 至 1 秒。相应缩短文字；若剩余片段没有完整意义，可删除该条。尾部同理，先将原结束时间限制在 42 秒以内，再偏移，使字幕不超出裁后 30 秒。
| 原字幕 | 减去 12 秒 | 处理 |
|---|---|---|
| 15.200—18.600 秒 | 3.200—6.600 秒 | 核对保留的完整语音 |
| 10.000—13.000 秒 | −2.000—1.000 秒 | 按实际片段裁切或删除 |
| 40.000—44.000 秒 | 28.000—32.000 秒 | 结束超出 30 秒，重新核对尾句 |
开头与结尾差得一样，才适合先试固定偏移
取三个能辨认的语音起点：开头、中间、结尾。若三处字幕都晚约 0.8 秒，可先试 −0.8 秒的整体偏移，再重播三个位置。如果开头只晚 0.2 秒、结尾已晚 2 秒，误差在累积，单次平移会让某处变好、另一处变差。应检查字幕是否来自不同剪辑、是否删过停顿，以及是否对应同一个媒体版本。
语音识别文字与时间轴是两个独立检查。人名、金额、版本号需要对照声音；时间轴则检查起点、终点、重叠和是否遮住下一句。工具能解析某份 SRT/VTT，只说明接受了其格式和基本时间范围，不能证明它与录音同步。先修版本对应问题，避免逐条微调一份本来就不属于该视频的字幕。
选文字轨还是压制视频，取决于后续还要不要改
SRT 或 VTT 是单独的字幕文件，便于修字、换语言，也需要接收方正确加载。SRT 时间使用逗号分隔毫秒，VTT 使用小数点且包含 WEBVTT 头；在工作台选择对应格式导出，不靠修改文件扩展名完成转换。把字幕与正确媒体版本放在同一个交付目录，注明对应时长。
压制字幕会重新编码视频，将文字写进画面，需要选择含所需字形的字体；后续改一个错字也要重新生成视频。先做包含中文、数字和换行的短片，检查字体、底部裁切与声音，再处理长片。工作台的本地转写与字幕压制、调用 /api/translate 的翻译是不同处理路径；使用翻译前应单独确认服务可用性及所提交的文本。
检查最终结果并保留依据
W3C 规定 WebVTT 文本轨与带时间字幕条目；时间校验应与转写文字检查分开进行。
检查视觉编辑时，应在上下文中观察移动边缘。 动画输出应分别检查帧与裁切。
验收检查
- 时长、所选片段与音轨符合要求。
- 关键语音和字幕时间均与来源核对。
- 实际最终文件能在接收方环境播放。
常见问题
导出完成表示所有播放器都能打开吗？
不是，容器、编解码与播放器支持都会影响，应在目标环境测试。
静音提示都应该删除吗？
不应，修改前需结合录制内容与节奏确认。
语音识别结果可以直接当最终稿吗？
应视为草稿，核对名称、数字、说话人轮次与遗漏。
参考资料与延伸阅读
按步骤开始处理
进入对应工具，预览处理结果，检查导出的文件。
