AI 翻译字幕，难点不只在翻译

给视频加翻译字幕，经常会遇到一种情况：每个字都认识，意思也大致没错，但跟着视频看，就是有点别扭。可能是字幕抢先出现，也可能是一句话被拆得太碎，读起来接不上。

翻译之前就有坑。人名、术语、口音和背景噪声都可能让语音识别出错，后面的翻译会把这些错误继续传下去。多人对话还要分清说话人，否则连指代和语气都可能理解错。

字幕怎么切，也会影响翻译。一条字幕未必是一句完整的话，按条逐个翻，很容易丢掉上下文。先理解完整句子，再考虑怎么分屏，通常更合理。

中英文语序不同，又多了一层麻烦。“I bought this book yesterday”译成中文是“我昨天买了这本书”。“昨天”的位置变了，就不能把英文每个词的时间直接套给中文。需要对应的是一段意思，而这个片段有时必须大一些，才能容纳语序变化。

我觉得这里很有意思：翻译、对齐和显示，可以分别使用不同的单位。完整句子用来理解，语义片段用来对应，最后的字幕条则照顾阅读。太早把内容切碎，后面反而更难处理。

最后还得放回画面里看。停留时间够不够，换行顺不顺，两种语言叠在一起会不会挡住画面，这些都影响字幕是否好用。

词级时间还能用来做逐词高亮、KTV 效果和字幕动画。不过，一张带时间的词表只是基础，识别、翻译和语义对应仍然需要判断。

概念示意，连接线不表示精确逐词同步。