scenario-caption-studio

场景字幕工作室

概述

Caption Studio 是一种工具模型 model_scenario-caption-studio：输入视频，转录语音（使用 Whisper）或应用现有的 SRT 文件，输出经过样式处理的字幕，可烧录到画面中，也可作为软字幕轨道和 .srt 附属文件交付。它支持翻译成 18 种语言，并提供三种字幕样式。运行这个工具模型就是此技能的全部用途，因此会明确指定其 ID，而不是进行发现；model_schema_get 会直接启动流程。不同团队可用的工具模型可能不同，因此团队缺少某个工具模型时，应将其标记为缺口，而不是用其他工具模型替代。连接方式和核心流程：参见 scenario 技能。

字幕制作是成片的最后一道工序：先完成组装（scenario-video-assembly），然后只为最终母版添加一次字幕。字幕只承载转录文本；必须逐字准确显示、但不需要口头说出的文字（CTA、价格、法律声明等）属于 scenario-text-overlay 的范畴。如果你的可用技能中缺少此处提到的某个同系列技能，请让用户安装它（npx skills add scenario-labs/skills --skill <name>）；若是在无人值守的情况下运行，则根据工具架构继续操作，并标记缺口。

先询问，再添加字幕

目的地几乎决定了所有参数，因此在处理架构之前，先集中询问一轮：视频将发布到哪里（关闭声音的移动端信息流、付费广告位，还是坐着观看的长视频），是否保留或翻译口语语言（targetLanguage，保留原语言时使用 auto），是否有品牌颜色，以及平台需要哪种交付内容。交付内容由三个开关决定：烧录到像素中的字幕是 outputSubtitles: "video_image"（默认值），可切换的字幕轨道是 "video_data"，旁置文件是 outputSrt: true，仅生成 SRT 的处理则是在此基础上添加 outputVideo: false。当文字必须百分之百准确时，先进行这一步：在制作时，它的价格与烧录字幕相同，因此换来的不是节省，而是确定性——先确认文字，再为任何像素付费。然后根据回答进行映射：

目的地	样式	分段	位置	输出
社交媒体移动端短视频（9:16 Shorts、Reels）	tiktok-bouncy 或 word-pop；音乐主导时使用 karaoke-fill	maxSegmentWords 设为 3 到 5；使用卡拉 OK 预设时设为 1	middle：平台 UI 和原生自动字幕占据底部	烧录
广告短片、效果剪辑	modern-chip 或 minimal-underline，强调色设为品牌颜色	每条字幕提示 3 到 7 个词	bottom；片尾卡或叠加层位于下方时使用 top	用于静音信息流时烧录；添加 outputSrt，供平台上传字幕
YouTube 长视频、教程、访谈	默认外观或 cinematic-fade；克制的风格更显专业	maxLines 设为 2，maxSegmentChars 设为 84（每行 42 个字符，共两行，符合广播惯例）	bottom	使用 outputSrt 提供平台隐藏式字幕；仅在重新嵌入时烧录
电影风格作品、预告片、电影节剪辑	cinematic-fade	句子长度的字幕提示，maxSegmentDuration 约为 6	bottom	烧录

这些行是制作时的起始建议，需要与用户确认，并非平台规定；如果无人值守，任务自身的指令会回答这些问题，而对应行的默认值会补足用户未说明的部分。各投放位置的安全区域说明位于 scenario-formats 中。middle 会在画面中心渲染字幕；对于居中拍摄的访谈对象，这正是嘴部所在位置：自拍剪辑只有在人物面部位于画面上方三分之一处时才添加字幕（在组装时重新构图），因为架构不提供 lower-third 位置。对于长视频，上传字幕轨道优于烧录字幕，因为观众可以切换和调整字幕样式，辅助技术可以读取字幕，平台也会将其编入搜索索引；当样式本身就是重点，或字幕轨道无法随文件传输时，则应选择烧录。

风格阶梯

分为三个层级：stylePreset 选择现成的外观（7 种预设；留空则使用默认值）；stylePrompt 用通俗语言描述外观，并生成匹配的风格（会产生 cost_impact）；themeTsx 提供完整的自定义主题，用来替换预设，此时 stylePrompt 会进一步调整该主题。 没有字体参数：字体属于这些层级的一部分，也是风格最强烈的表达信号。因此，如果字体本身必须传达情绪或品牌，请用通俗语言将意图写入 stylePrompt （字重、字形类别和感觉：“粗重的窄体无衬线，高能量感”“轻盈的几何无衬线，安静而高级”）；指定确切的品牌字体则应使用 themeTsx，而 scenario-text-overlay 会根据含义，为字幕周围的文本卡片选择字体。预设也会改变文字本身的样式：一次创作时运行使用了 tiktok-bouncy，将所有字幕都改成了大写；其他预设的大小写行为尚未验证。因此，当大小写必须准确时（例如产品名称、“LoRA”），请通过 stylePrompt 或 themeTsx 指定，并在交付前检查一帧画面。 fontColor 设置正文颜色（对比度比美观更重要：预设在各种背景上都能让白色正文保持清晰），而 accentColorStart/accentColorEnd 控制高亮动画（卡拉 OK 填充、弹出效果）：强调色最好只用于一个元素，通常是品牌色；两个值相同会得到纯色，不同则会生成渐变。自动调整字号（fontSizePx 留空）在创作时渲染出的文字高度约为 30 像素（画面尺寸为 1080x1920），在手机信息流中难以辨认：制作竖屏社交内容时，请明确设置 fontSizePx（画面高度为 1920 像素时，创作阶段可从 60 到 90 开始），并在手机尺寸下检查画面。outputTsx: true 会返回该次运行使用的主题，因此可以在下一段视频中精确复现已采用的风格。

确保文字准确

• 撰写旁白时，请保留脚本作为措辞参考。烧录字幕前，将转录文本与脚本对照，检查是否有漏词、重复或改动；拼写提示不能代替这种核对。字幕时间点应根据实际录音确定，而不是按词数或计划的镜头时长推算。请通过下方支持的输入修正 SRT；不要臆造脚本对齐参数。
• transcriptionPrompt 是拼写提示，而非风格字段：请列出音频中出现的姓名、品牌和行话。提示只能提高识别正确的几率，不能保证正确（一次撰写时运行中，提示中的姓名就拼错了两次），因此在信任烧录字幕之前，请检查转录文本中的每个必需姓名；如果有误，请使用 large-v3 重试，或提供更明确的提示。
• modelSize 是准确度、速度和成本（cost_impact）之间的权衡：默认的 medium 适用于清晰的旁白；对于嘈杂音频、口音或密集的术语，请升级到 large-v3；.en 变体仅支持英语。
• 模型会转录母版中的所有音频，因此请在添加字幕之前调整背景音乐与对白的平衡（scenario-video-assembly），而不是之后。
• 更正和更换样式都通过 subtitles 输入完成；其约定要求提供内联内容，而非引用（撰写时）：将 SRT 文本本身进行 base64 编码后作为值传入。在这里，asset_... ID 不会被解引用；该 ID 字符串会被当作内容进行 base64 解码，运行仍会报告成功、计费，并渲染零条字幕（作业记录中的 segment_count: 0 就是判断依据）。因此，复用流程是：设置 outputSrt: true，将转录文本作为资源返回；使用 asset_download 下载，如有需要，在本地更正拼写，再将编辑后的文本进行 base64 编码后传回。这样也能解决 upload_asset 没有文本类型的问题（撰写时的事实）。SRT 会沿用此次运行的分段方式（卡拉 OK 运行会返回每条字幕一个词），因此在上传广告平台或应用更舒缓的样式之前，请在本地重新分块。切勿仅凭作业状态就交付 subtitles 运行结果：请像示例演示的那样检查输出；如果缺少字幕，请对作业所使用的字幕资源调用 asset_get，查看它实际收到的内容。架构未说明分段上限是否会对传入的 SRT 重新分块，因此转录时请设置分段方式，并在使用 subtitles 时省略这些上限。

示例：制作一条竖屏社交短视频，然后生成西班牙语版本

1. 对组装好的成片调用 asset_get：确认时长，并确认它是最终剪辑版，因为价格会受素材影响（video 带有 cost_impact；先剪辑，使用 scenario-video-editing）。
2. 对 model_scenario-caption-studio 调用 model_schema_get。
3. 估价：调用 model_run，设置 dry_run: true 和 parameters={"video": "<asset_id>", "stylePreset": "tiktok-bouncy", "maxSegmentWords": 4, "textPosition": "middle", "transcriptionPrompt": "Scenario, LoRA, Flux", "outputSrt": true}。 更改 targetLanguage、modelSize、stylePrompt 或 outputSubtitles 后，重新估价： 这些参数都带有 cost_impact。
4. 运行时设置 wait: false，然后使用 job_id 调用 jobs_wait；超时时，使用返回的 pending_job_ids 再次调用，不要循环调用 job_get。
5. 派生版本前先审核，因为任务成功并不能证明渲染结果符合预期：使用 asset_download 下载 SRT 附属文件（不要设置 format：它只会转换图像；如果一次运行同时返回视频和 SRT， 两个资源 ID 的顺序不固定，可通过 asset_get 返回的 mimeType 区分），并将其中的文本 与撰写好的脚本和必需名称核对；然后下载视频并用 ffmpeg -vf "fps=2" 制作联系表， 检查烧录字幕的拼写、大小写和位置。按预期显示尺寸进行检查，包括字幕底板：确保 人脸、手部、演示的操作和重要 UI 清晰可见，并且字幕在同一条提示语内位置稳定。对照 提示语的起止时间检查音频；转录正确并不代表同步正确。在提示语边界前后以及提示语内 采样帧：画面揭示和淡入淡出的时间可能超出提供的 SRT 时间，而短于 100 ms 的闪光也会 出现在 fps=2 扫描中。如果需要严格遵守边界，请核实实际主题，或说明这一限制；仅有 正确的附属文件并不算通过。检查最后一个口播词是否保留，并分别比较音频流和视频流； 如果较短的音频流包含完整旁白，可能只是省略了末尾静音。
6. 西班牙语版本：在相同参数中添加 targetLanguage: "es"，包括 transcriptionPrompt， 并再次设置 dry_run（这会改变价格），然后再运行。翻译在运行过程中完成，因此一份主 版本可为每个市场生成一个变体。适用于拉丁字母的分段上限不适用于中文、日语或韩语 （流媒体风格指南规定，每行字符数应为其三分之一），因此请按目标语言重新调整 maxSegmentChars。
7. 使用 scenario 技能将主版本、变体和 SRT 资源归档到一个集合中，方便查找交付内容。

常见错误

• 在合成前为每个片段添加字幕：只为完成后的成片添加一次字幕，否则字幕会在剪辑间漂移，每次编辑都会使字幕失去对应内容。
• 期望软字幕轨道呈现预设样式：video_data 会渲染为纯文本，由观看者切换显示；只有烧录进视频的字幕才能保留样式。
• 将法律声明或行动号召设计成字幕：免责声明有固定文案、字号和显示时长，字幕逻辑会重新拆分并调整其时间；可切换的字幕轨道也完全不符合“无需观看者操作即可显示”的规则。未被口播的精确文案应使用 scenario-text-overlay 卡片在合成阶段叠加。
• 未使用卡拉 OK 或弹出式预设，却将 maxSegmentWords: 1 设为 1：除非样式带有动画效果，否则逐词提示会像幻灯片一样闪现。使用弹出式预设（即在提示词内逐词显示的预设：tiktok-bouncy、word-pop，以及创作时使用的卡拉 OK 预设对）时，提示词结尾绝不能是单个字母的单词：弹入时间取决于字符数，因此创作时，结尾的 “I” 或 “a” 只显示了约 70 ms。重新拆分提供的 SRT 也意味着必须负责其时间设置：提供的 SRT 只包含提示词时间，因此弹出式预设会将每个提示词的单词均匀分布在提示词时长内；只要提示词时长超过语音，强调效果就会偏离语音。确保每个提示词的结束时间与口播部分一致，并且只延长最后一个提示词，使其持续到片段结束。
• 将 jobs_wait 超时视为失败：使用 pending_job_ids 再次调用；视频工具任务通常会超过等待时限。