字幕切点是怎么定的
切点是可读性问题，不只是时间问题。本文给出把逐词对齐结果切成可读字幕行的规则，以及每条规则优先级的顺序。
约 1 分钟
逐词时间戳告诉你每个词是什么时候说的，但它不告诉你一条字幕应该在哪儿结束。后一个问题才是观众真正会注意到的，而它的答案来自规则，不是来自波形。
真正的约束是阅读速度，不是音频
观众读字幕的同时还在看画面。行业内的经验上限大约是每秒 17 个字符（面向非母语观众的成人），母语舒适观看约每秒 20 个字符。也就是说，一条停留两秒的字幕只能放下 34–40 个字符——分两行的话，每行约 12–14 个字符。这也是为什么大多数规范把单行限制在 42 个字符、并且更倾向两行。
忽略这个约束的时间轴，产物是「技术上准确、但根本读不完」的字幕：那些词确实是在那个时刻说的，只是没有观众来得及读。
五条规则，按优先级排序
- 绝不从语法单位内部切开。 名词短语、介词短语、主语和它的谓语，都不能拆。如果音频逼着你在那里断，宁可把上一条字幕延后，也不要在短语中间切。
- 在可用的最强句法边界处断。 从句边界优于连词，连词优于逗号，逗号优于无处可断。
- 两行要均衡。 30/10 的分法比 20/20 难读，因为眼睛用整行去加速，结果撞上一行很短的。
- 最后一行要是一个完整的意思。 一条字幕以「的」或「在」结尾，观众的眼睛白做一次功，而这条功下一条字幕立刻就要撤销。
- 宁可持续，不要闪。 短于约 0.8 秒的字幕就是一次潜意识闪动。即使合并后比语音略长，也要和相邻那条合并。
第 1 条和第 5 条经常互相冲突，这正是切点难以完全自动化的原因。那些声称已经全自动的产品，通常只是把第 5 条单独执行了。
强制对齐能帮上什么
因为对齐器知道的是每一个词的时间戳，而不只是整句的，它可以把「在这里断」当成一个有可测答案的问题：这个词结束的位置，距离下一个词开始是否超过 200 毫秒？如果是，那就是一个自然停顿，也是当前可用的最佳切点。
基于语音转写的工具做不到这件事，因为它们的时间戳继承了识别器的错误：一个听错的词，会被安上一个看起来合理的时间戳，配上错误的字符串；而在那里切出来的位置，说话人其实从没停顿过。
我们不做的事
我们不会自动压缩文案。如果一行在它的时长里按可读速度放不下，诚实的输出是一条警告，而不是悄悄截短的字幕。截短会改变说话人实际说的话——那是另一个产品，不是这里在卖的这个。