最后的 10%：机器没法替你对时的那部分

自动转录如今真的是个奇迹了。把一段视频喂给一个现代语音模型，几秒钟它就带着文字、大致对好时回来了。十年前那还是一篇研究论文加一个大体能跑的演示；今天它是十几个应用里的一个勾选框。所以问那个让人不舒服的问题是公平的：如果机器把字幕做了，那到底还剩什么留给人做？

大约 10%。而事实证明，那 10% 就是「有字幕」和「好」之间的全部差别。

机器真正拿手的部分

咱们给机器人应得的肯定，因为 SubSlap 就是把这同一个 90% 当作起点 — 我们没在假装重新发明了转录。

文字。 在干净的音频上，现代模型的转录接近人类的准确度，标点也一并到位。
粗略的时间轴。 起止时间，足够你跟着看。
头一遍的断句。 把行切成大致能读的长度。

对很多随手拍的内容，那就是全部活儿了。发布，走人。麻烦从「大致能读」不够好的时候开始。

它结构上做不到的部分

这是没有哪个更大的模型能修好的部分，因为它不是一个知识问题 — 它是一个品味与语境的问题：

随呼吸断，而不是随字数断。 机器按字符长度切；人按意思切。「这整件事里 / 最棒的部分」读起来就是不对，哪怕每一个字都正确，因为它把一个意思劈到了两行上。
为效果留白。 说话的人在抖包袱前顿了一拍。模型不知道包袱要来了 — 你知道，因为你看了视频、感觉到它落地。
守住一种语气。 「gonna」该留成「gonna」，还是变成「going to」？这是条轻松的说明文字，还是一条正式的字幕？那是一个关于语调的编辑判断，而语调不在音频里。
尊重镜头切换。 一条越过硬切多留一个字的字幕看起来像个错误。模型看不见你的剪辑；它只听得见文字。

奉俊昊在为《寄生虫》领奥斯卡时，把字幕称作「那道一英寸高的障碍」。把那道障碍跨好，观众会忘了自己在读字；跨砸了，他们每隔几秒就被拽出电影。那次跨越是一个逐帧的手艺决定 — 恰恰是模型感觉不到的那部分，因为它从没坐在一间黑屋子里看过。

为什么这比过去更重要

有两件事变了。第一，如今大多数社交视频是静音观看的，所以字幕不是一件无障碍层面的贴心事 — 它就是那场演出本身。第二，「看起来专业」的门槛悄悄抬高了，因为观众时时刻刻都在看到干净的字幕。一条在意思中间断开的行不会让什么崩溃。它只是让视频感觉略微业余，而观众通常说不出为什么。那句「说不出为什么」才是危险的部分 — 它耗掉你的信任，却从不会浮现成一句抱怨。

怎样真正拿下那 10%

正解是把最后那 10% 当成它自己独立的一步，而不是一件你随眼一扫的事。具体来说，这意味着：

像观众那样读字幕，而不是像作者。你的目光在哪儿卡住？
先修断行 — 大多数「不对劲」的感觉是断行，不是时间轴。
然后调时间轴 — 把提示轻推到节拍上、避开镜头切换。
然后定语气 — 缩写、标点、语调 — 在整条视频里保持一致。

这就是 SubSlap 里存在 Control Freak Mode 的全部理由：帧级的时间轴和断句控制，好让你修正模型的猜测，而不是把它们直接发出去。机器把 90% 弄对。最后的 10% 才是字幕变好的地方 — 而那部分依然、光荣地，是你的。