字幕与 AI 配音怎么选：文字可读和听觉呈现分别验收
比较保留原音配字幕与生成目标语音的使用条件，说明文本翻译、时间对齐和声音内容应怎样分别检查。
先说结论
怎样选择更合适
希望保留原声或便于静音观看时，字幕是可评估的基础；需要观众直接听懂目标语言时，可以增加配音。两者可以同时使用，配音也不自动替代字幕。先确认翻译内容，再检查字幕阅读时间或声音时长，不把文本翻译正确等同于成片已经同步，也不因音色自然就忽略漏句。
01
字幕时间段与声音合成承担不同部分
WebVTT 定义带时间信息的文本轨，适合表示字幕等内容；文本转语音则根据稿件生成音频。字幕文件不会自己改变原音，配音生成也不会天然知道镜头中的停顿与口型。若任务含翻译，应把原话、译文与成片位置对应保存。文字过长可能来不及读，声音过长可能挤到下一位说话者。压缩文案或改变语速都可能影响含义和听感，不能只让所有片段机械填满相同时长就认为完成同步。
02
同一视频核对读完和听清的条件
选同一段允许处理的视频，先校对原始逐字稿，再生成字幕版与配音版。字幕检查断句和出现时间，配音检查是否漏读数字或把否定词读丢，最后完整播放确认转场。不要只在编辑器中检查文本，还要播放最终导出文件。若原音包含重要环境声音，比较配音覆盖后是否仍能理解事件。遇到说话重叠可以保留字幕辅助，而非强行把每个人压进同一音轨。本页没有制作配音视频，也没有测量翻译或对齐准确率。
03
按修改频率维护字幕与音频资源
经常更新的内容应分别保存字幕文件、配音稿与音频片段，便于只修改出错位置。字幕样式变化与译文变化要分开记录，配音模型或音色更新后也应检查前后片段一致。成本包含翻译复核和最终播放检查，不能用生成分钟数代表可交付时长。若观众既可能静音也可能听音，可以保留两种呈现；选择应依据观看条件与完整成片结果，而非把配音当作天然比字幕更高级的替换。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。