自動字幕在官方能力清單裡，和另外三項並列。真正省時間的不是識別本身，是改錯字的方式：在對話裡說哪一句錯了，它改文字，時間線不動。識別要靠模型，錯字集中在專業詞和人名；改字要靠對話，比在時間線上翻片段快得多。
CapCut官方給外掛列的四項能力裡，自動字幕是其中一項，另外三項是搜範本、剪影片、生成圖和影片。這條寫得很明確，不需要猜。
編輯器裡對應的入口有兩個：字幕和轉錄文字。字幕面板處理的是上屏文字，轉錄文字面板處理的是把語音轉成文稿，兩者分工不同，前者管顯示，後者管內容。
這兩個面板的存在說明一件事：字幕在這個體系裡是獨立圖層，不是燒在畫面上的。是不是獨立圖層，決定了後面能不能改、改起來有多貴。
這是新版和舊版最大的差別。舊版是生成一條字幕軌讓你自己去時間線上拖，新版是在對話裡說改哪一句，它改文字、對時長、重排位置，時間線本身不動。
這個差別在返工的時候最明顯。舊方式改一個字，要找到那個片段、進編輯態、改完再對齊；新方式是把錯的那句念出來，剩下的它處理。
不動時間線還有個隱含好處：畫面和音訊不受影響。改字幕不會觸發重新編碼，畫質不會因為改字而掉一代。
自動字幕處理的是說話的轉寫，標題字幕處理的是畫面上那幾個大字。這兩者不該合成一條軌，因為要求完全不同：前者要跟著語音走，後者要跟畫面節奏走。
標題字幕放在文字層，用大字、粗體、短句。一句不超過九個字，豎屏下最多兩行。它出現的時機通常是開頭抓人、中間強調、結尾落版三處，不是全程都在。
合成一條軌的後果是改一個標題會牽動整段字幕的對齊。分開做，改標題只動文字層，自動字幕完全不受影響。
第一是專業詞和人名。模型見過的通用詞多，生造詞和小衆品牌名識別錯是常態，這類錯字只能人工校一遍，靠調參數解決不了。
第二是背景音。音樂壓過人聲的時候，識別會把歌詞混進字幕裡，出現一堆莫名其妙的句子。素材本身錄音環境差的，先做人聲增強再識別，準確率會明顯不同。
第三是多人重疊說話。兩個人搶話的部分，識別容易把兩句併成一句。這種片段建議單獨拎出來手動處理，別指望一次性過。
字號、字重、描邊、位置、行數，這五項定下來就是一個樣式。定好之後整片複用，不要一句一句調，那樣永遠調不齊。
豎屏下推薦的做法是白字加深色描邊，字號定在中等偏大，位置壓在離底邊五分之一以上的地方。描邊的作用是抗背景干擾，淺色畫面裡沒描邊的白字會看不見。
要手動熟悉字幕這一套流程，可以照即夢影片匯入剪映做成片的步驟走一遍，裡面講到了字幕層的處理順序；多工具一起用的，這套串聯順序也有對應的做法。
支援。這項能力在中文場景裡是主力功能，識別中文語音沒有問題，標點也會自動加。需要留意的是中英混說的片段，外語片段容易被按中文音譯出來，遇到這類素材，單獨把那幾句摘出來手改，比整段重識別快。中英混說的片段，單獨摘出來改更快，這類素材佔比不高。
不會。字幕是獨立圖層，改文字只動這一層，畫面和音訊完全不受影響，也不會觸發重新編碼。這也是判斷字幕做得好不好的標準之一：改一個字要重錄畫質的，說明字幕被燒進畫面了，那種做法在改稿階段代價很高。想確認有沒有燒進去，雙擊字幕看能不能選中。
技術上能合成一條軌，實際不建議。兩者跟著的節奏不一樣：自動字幕跟語音，標題跟畫面情緒，合在一起之後改一處動全身。分開兩層，改標題隻影響文字層，改對白隻影響字幕層，各自獨立，出錯也容易回退。兩層各自的位置和出現時機也不同，改的時候分別定位，別一起選。
先分清錯在哪一類。專業詞和人名的錯，只能人工校，沒有別的辦法；背景音混進來的錯，先做人聲增強再重識別；多人搶話的錯，把那幾段單獨切出來處理。三類混在一起改，會覺得怎麼改都改不完，分開處理效率差好幾倍。這一步分開做，能省下大半返工時間，順序別亂。
1. CapCut 官方 CapCut×Codex 頁面：https://www.capcut.com/zh-tw/tools/capcut-x-codex
停頓和重複是口播裡最佔時長的兩樣，也是最容易被刪錯的兩樣。停一秒是氣口，停三秒是冷場；同一句話說兩遍，第一遍可能是鋪...
2026-10-28
多語言字幕不是一次翻譯，是兩次動作：先把中文轉寫成稿，再把稿子譯成目標語言，最後校一遍術語。轉寫必須先準，轉錯的字譯...
2026-10-28
橫屏改豎屏不是把畫面裁窄，是把鏡頭裝進另一個框。橫屏能看到左右，豎屏只能看到中間那一豎條，被裁掉的部分往往是資訊所在...
2026-10-28
十二秒豎屏是官方演示出現過的場景，背後有一套硬約束：總時長固定、畫幅固定、素材數量固定。都限死的時候，剪法就從挑好看...
2026-10-28
這一環要分清兩個來源：CapCut的線上素材庫和你的本地檔案。前者有專門的檢索工具，參數是類型、提示詞、返回條數；後者靠代...
2026-10-27