AI 影音字幕工作流，打造 98% 精準度的影片字幕
· 閱讀時間約 8 分鐘
在製作影音內容時，處理字幕往往是最耗時的環節之一。傳統的語音轉文字（STT）工具雖然速度快，但經常會遇到口誤、冗字贅詞過多、斷句不自然以及排版混亂等問題，最後還是需要花費大量時間手動逐字校對。
今天就讓我來介紹一套高效的 AI 字幕工作流：透過 Google AI Studio 的 Gemini 2.5 Pro 進行智慧校正與排版，再結合剪映的「文稿匹配」功能自動對齊時間碼，讓你輕鬆輸出高品質的 SRT 字幕檔。
醬～
工作流核心概念
這套工作流主要分為兩個階段：
- AI 智慧文本優化（Gemini 2.5 Pro）： 利用大語言模型（LLM）強大的上下文理解能力，一次完成「錯別字校正、冗詞刪除、口誤修正、字數限制與中英文排版優化」。
- 自動時間碼對齊（剪映）： 將優化後的純文字稿丟入剪映，利用「文稿匹配」功能自動與原始音訊對齊，生成帶有時間碼的字幕。
在這邊我選擇不用剪映直接請 AI 生成帶有時間戳記的檔案
步驟一：使用 Google AI Studio 進行語音稿校正與排版
1. 操作步驟
- 打開 Google AI Studio。
- 模型選擇 Google Gemini 2.5 Pro。
- 上傳錄音檔（如
.mp3格式）。
錄音檔檔案叫小，不會把額度用光
- 輸入下方提示詞（Prompt）並執行。
2. 提示詞範本（Prompt）
Plaintext
理解全文原意的基礎上，校正語音轉文字的錯誤，使用繁體中文輸出，我要做為影片字幕用，請符合以下輸出原則，不需要任何招呼說明，直接輸出成果：
1. 為了影片閱讀節奏，每一行不超過 18 個中文字，換行時每一行要做到完整句，自然不突兀，去除所有標點符號；當一行的字數過長超過 10 個字，但還不需要換行，你可以在語氣合理的地方加上半形空格，例如："這是我的知識邊界 我的喜好"
2. 記住中文排版的原則：當中文字遇到英文和數字時，要加上一個半形空格，讓閱讀體驗更舒服，例如：我有 3 台 iPhone 手機；保留專業術語的英文正確寫法和縮寫，例如 FLAC, Notion, n8n, Claude Code
3. 你的目的是讓字幕更直觀好閱讀，可以刪除冗餘無意義的語氣詞，但保有講者的情緒；請記得保持原意不變，例如以下語氣詞可視情況刪除：「那」、「欸」、「哈哈哈」、「對吧」、「嘛」、「然後」
4. 當你判斷我是不是在講人，而在講 AI 或 LLM 時，不要用「他」或「她」，而是用「它」。
5. 字幕要有「引導」的目的，所以當真實語音講錯（或口誤），你需要判斷並把字幕寫精準正確，就能引導大家正確吸收，例如如果重複講一個詞，留第一個字幕，第二個就可以刪掉，例如當口語說「就是這個 這個 UPDF 的工具」，可以輸出為「就是 UPDF 這個工具」
※ 常見轉錄錯誤字辭典：
- "Cloud 公司" 是 "Claude 公司"
- "no 選" 是 "Notion"
- "cloud upper" 是 "Claude Opus"
- "聯盟週報" 是 "雷蒙週報"
步驟二：使用剪映「文稿匹配」生成 SRT 字幕
取得 Gemini 2.5 Pro 輸出整理好的文字稿後：
- 開啟 剪映（CapCut），匯入原始音軌/影片檔。
- 點擊字幕功能中的 「文稿匹配」（Text to Subtitles / Match Text），將 Gemini 產出的文字貼入。
- 讓剪映自動將文字與音訊進行時間軸對齊。
- 進行一次快速播放複查（通常準確度可達 98% 以上）。
- 檢查無誤後，即可直接導出
.srt字幕檔案！ 這裡我是不推薦還要裝軟體啦～建議用達芬奇內建的功能就好了！
工作流 B：先確認整體內容摘要，條列錯誤給 AI 學習
適合專有名詞較多的內容，先進行第一批校正
- 先確認整體內容摘要＆快速條列錯字給 AI，讓 AI 挑出有疑問的地方，幫助他學習（
1 mins）
請你先理解我上傳給你的音檔內容的原意、幫我做個列點式的逐字稿內容摘要，並把你認為有疑惑的地方特別告訴我，讓我先和你對齊，你是否能理解內容＆專有名詞。我閱讀後會先給你校正建議，之後再讓你生成完整的逐字稿，我要做為字幕用。
記住中文排版的原則：當中文字遇到英文和數字時，要加上一個半形空格，讓閱讀體驗更舒服，例如：我有 3 台 iPhone 手機；保留專業術語的英文正確寫法和縮寫，例如 FLAC，JPEG，Notion, n8n
- 直接根據 AI 回覆，給予建議修正（
5 mins）
- 例如：
非常好！幾乎都很正確！
有幾個要校正：
1. 「Kemba 模式」是「Canva 模式」，沒有 s，這是 ChatGPT 的一個功能。
2. 「Cloud 公司」是「Claude 公司」。
3. 「城市碼」 是 「程式碼」
4. 如果出現 "紙尿褲" 通常是講 "資料庫"（AI 辨識語音時的常見錯誤）
最後請輸出完整逐字稿，你的目的是讓字幕更直觀好閱讀：為了影片閱讀節奏，每一行不超過 18 個中文字，換行時每一行要做到完整句，自然不突兀，去除所有標點符號；當一行的字數過長超過 10 個字，但還不需要換行，你可以在語氣合理的地方加上半形空格，例如："這是我的知識邊界 我的喜好"刪除冗餘無意義的語氣詞，但保有講者的情緒；請記得保持原意不變，例如以下語氣詞可視情況刪除：「那」、「欸」、「哈哈哈」、「對吧」、「嘛」、「然後」
額外範例：
請一律用繁體中文跟我對話。
這是一份我的教學影片字幕檔，請幫我先閱讀過整份理解上下文，再仔細檢查過每一行字幕，並直接修正錯字、刪除冗餘無意義的語氣詞，在不破壞原有的字幕時間結構的前提下。
請注意：
1. 你的目的是讓字幕更直觀好閱讀，並保持原意不變。
2. 專有名詞如 "ChatGPT"、"GPTs"、"Notion"，需保留英文原字。
3. 當字幕過長時，不需要換行，只需要加上半形空格，如："你可以更瞭解 到底是怎麼寫的"、"綠色的是 2025 年 因為這場加餐而新增的"
4. 記得中文的排版原則：當中文字遇到英文和數字時，要加上一個半形空格，讓閱讀體驗更舒服，例如：我有 3 台 iPhone 手機
5. 如果出現 "紙尿褲" 通常是講 "資料庫"（是 AI 辨識語音時的錯誤）
6. 當你判斷我是在講 AI 或 LLM 時，不要用「他」或「她」，而是要用「它」。
總結
透過「Gemini 大模型理解校正 + 剪映時間軸自動匹配」這套組合拳，不僅省去了逐句打字和對時間軸的繁瑣過程，還能確保字幕符合專業的中文排版規範與影片觀看節奏。
我自己的提示詞：
[角色與任務]
你是一位專業的繁體中文影音字幕校對與排版專家。請在完全理解全文原意的基礎上，將使用者提供的語音轉文字（STT）或原始字幕檔進行精準校正與格式化處理。
[處理原則與排版規範]
1. 格式輸出規範：
* 必須輸出帶有時間戳記的純文字 SRT 格式。
* 每一個時間號段內「僅能有一行文字」，絕對禁止在同一個時間戳記下換行出現兩行以上的文字。
* 完全去除所有標點符號（如逗號、句號、驚嘆號、問號等）。
2. 字數與空格排版：
* 每行文字絕對不能超過 18 個中文字。
* 當一行字數過長（超過 10 個字）但無須斷句時，請在語氣合理的停頓處加上「半形空格」（例如："這是我的知識邊界 我的喜好"）。
* 中英文及數字排版：中文字與英文字母、數字之間，必須加上一個「半形空格」（例如："我有 3 台 iPhone 手機"）。
* 專業術語規範：保留所有專有名詞與專業術語的正確英文大小寫及縮寫（如：FLAC, Notion, n8n, Claude Code, plugin, output）。
3. 語意精簡與錯字校正：
* 刪除冗餘無意義的口語贅詞（如：「那」、「欸」、「哈哈哈」、「對吧」、「嘛」、「然後」、「就是這個這個」），但須保留講者原有的情緒與語氣。
* 口誤與重複詞彙修正：當口語出現講錯、重複或結巴時，進行精準修飾，刪除重複詞（如將「就是這個 這個 UPDF 的工具」簡化修飾為「就是 UPDF 這個工具」）。
* 代名詞修正：當上下文指涉對象為 AI、LLM 或非人類軟體系統時，一律使用「它」，不可使用「他」或「她」。
4. 常見轉錄錯字替換對照（請嚴格執行替換）：
* "Cloud 公司" -> "Claude 公司"
* "no 選" -> "Notion"
* "cloud upper" -> "Claude Opus"
* "聯盟週報" -> "雷蒙週報"
[執行要求]
* 請直接輸出最終校正後的 SRT 文字成果。
* 不要包含任何開場白、招呼語、解釋說明或結尾語。
---
以下為待校正語音轉文字檔：
[在此處貼上你的原始文字或 SRT]