自动字幕在官方能力清单里，和另外三项并列。真正省时间的不是识别本身，是改错字的方式：在对话里说哪一句错了，它改文本，时间线不动。识别要靠模型，错字集中在专业词和人名；改字要靠对话，比在时间线上翻片段快得多。
CapCut官方给插件列的四项能力里，自动字幕是其中一项，另外三项是搜模板、剪视频、生成图和视频。这条写得很明确，不需要猜。
编辑器里对应的入口有两个：字幕和转录文字。字幕面板处理的是上屏文字，转录文字面板处理的是把语音转成文稿，两者分工不同，前者管显示，后者管内容。
这两个面板的存在说明一件事：字幕在这个体系里是独立图层，不是烧在画面上的。是不是独立图层，决定了后面能不能改、改起来有多贵。
这是新版和旧版最大的差别。旧版是生成一条字幕轨让你自己去时间线上拖，新版是在对话里说改哪一句，它改文本、对时长、重排位置，时间线本身不动。
这个差别在返工的时候最明显。旧方式改一个字，要找到那个片段、进编辑态、改完再对齐；新方式是把错的那句念出来，剩下的它处理。
不动时间线还有个隐含好处：画面和音频不受影响。改字幕不会触发重新编码，画质不会因为改字而掉一代。
自动字幕处理的是说话的转写，标题字幕处理的是画面上那几个大字。这两者不该合成一条轨，因为要求完全不同：前者要跟着语音走，后者要跟画面节奏走。
标题字幕放在文字层，用大字、粗体、短句。一句不超过九个字，竖屏下最多两行。它出现的时机通常是开头抓人、中间强调、结尾落版三处，不是全程都在。
合成一条轨的后果是改一个标题会牵动整段字幕的对齐。分开做，改标题只动文字层，自动字幕完全不受影响。
第一是专业词和人名。模型见过的通用词多，生造词和小众品牌名识别错是常态，这类错字只能人工校一遍，靠调参数解决不了。
第二是背景音。音乐压过人声的时候，识别会把歌词混进字幕里，出现一堆莫名其妙的句子。素材本身录音环境差的，先做人声增强再识别，准确率会明显不同。
第三是多人重叠说话。两个人抢话的部分，识别容易把两句并成一句。这种片段建议单独拎出来手动处理，别指望一次性过。
字号、字重、描边、位置、行数，这五项定下来就是一个样式。定好之后整片复用，不要一句一句调，那样永远调不齐。
竖屏下推荐的做法是白字加深色描边，字号定在中等偏大，位置压在离底边五分之一以上的地方。描边的作用是抗背景干扰，浅色画面里没描边的白字会看不见。
要手动熟悉字幕这一套流程，可以照即梦视频导入剪映做成片的步骤走一遍，里面讲到了字幕层的处理顺序；多工具一起用的，这套串联顺序也有对应的做法。
支持。这项能力在中文场景里是主力功能，识别中文语音没有问题，标点也会自动加。需要留意的是中英混说的片段，外语片段容易被按中文音译出来，遇到这类素材，单独把那几句摘出来手改，比整段重识别快。中英混说的片段，单独摘出来改更快，这类素材占比不高。
不会。字幕是独立图层，改文本只动这一层，画面和音频完全不受影响，也不会触发重新编码。这也是判断字幕做得好不好的标准之一：改一个字要重录画质的，说明字幕被烧进画面了，那种做法在改稿阶段代价很高。想确认有没有烧进去，双击字幕看能不能选中。
技术上能合成一条轨，实际不建议。两者跟着的节奏不一样：自动字幕跟语音，标题跟画面情绪，合在一起之后改一处动全身。分开两层，改标题只影响文字层，改对白只影响字幕层，各自独立，出错也容易回退。两层各自的位置和出现时机也不同，改的时候分别定位，别一起选。
先分清错在哪一类。专业词和人名的错，只能人工校，没有别的办法；背景音混进来的错，先做人声增强再重识别；多人抢话的错，把那几段单独切出来处理。三类混在一起改，会觉得怎么改都改不完，分开处理效率差好几倍。这一步分开做，能省下大半返工时间，顺序别乱。
1. CapCut 官方 CapCut×Codex 页面：https://www.capcut.com/zh-tw/tools/capcut-x-codex
我拿同一首歌试过立刻MV和剪映：立刻MV会围绕歌曲生成歌词字幕、分镜和视频，适合想快速做出完整MV的人；剪映更像通用剪辑工...
2026-10-11
我做短视频时一直用剪映，粗剪、字幕和配乐都很顺手，直到项目里用了几个带会员标记的特效，导出前才发现得升级。为了不让每...
2026-10-12
ChatGPT Plus Pro套餐分为两个主要档位：Pro 100（原5X）每月100美元，Pro 200（原20X）每月200美元。两档的核心区别在于Code...
2026-10-14
ChatGPT Dots怎么打开？在chatgpt.com/dots访问，点击”创建你的dot”按钮，依次设置名称、头像、应用授权和规则即...
2026-10-14
即梦负责出片段，剪映负责把片段接起来、加字幕配乐、按平台尺寸导出，两个工具分工清楚，成片才顺。即梦导出的是标准 mp4，...
2026-10-15