中英双语字幕的顺序为什么不会乱跳？

中英双语字幕是最容易翻车的素材。单语字幕只要认得准，结果基本就能用；双语字幕认得挺准，出来却是"英文那行在上、中文在下"，或者两行黏成一行，或者同一句话一会儿繁体一会儿简体，末尾还多了几条只差一两个字的重复。

这些都不是识别错了，而是识别之后那套排序规则在起作用。这篇把这条链路从头拆到尾：每一步在管什么、阈值定在哪儿、以及哪几类情况规则也管不了、得靠框选来配合。

根源：OCR 读的是坐标，不是语义

先接受一个事实：识别引擎不知道"这是字幕"，更不知道"哪行是译文"。它交出来的是一个个文字块，每块带一段文字、四个角坐标和一个置信度分数。

也就是说，"中文在前、英文在后"这件事在原始结果里根本不存在——原始结果只有一堆坐标。如果直接按引擎返回的顺序拼起来，输出顺序就取决于检测框的生成顺序，同一条字幕在相邻两帧里都可能换个次序。双语之所以格外明显，是因为它有两块内容相近、位置固定、语言不同的文字，一旦顺序漂，观感就是整篇对调。

所以排序不能交给"看起来的顺序"，得写成一套确定的规则。下面是这六步。

第一步：按行高把文字块分到"行"

先把所有块按垂直中心分组：取整帧的平均字高，用平均行高 × 0.8 作为容差，中心落在同一条带里的块算同一行；然后行与行从上到下排，同一行内按水平位置从左到右排。

这一步解决的是"上下两行对调"。它不看内容，只看几何，所以稳定：同一集剧、同一个播放器里，双语字幕的两行位置关系是不变的，分组结果也不会变。

容差用 0.8 倍行高是个折中——太松会把相邻两行并成一行，太紧会把同一行拆成两行（英文行字小、中文行字大时最容易拆开）。图片识别那条链路另有它自己的行容差，因为文档排版的行距和字幕不是一个量级。

第二步：同一行固定"中文在前、英文在后"

分到行之后，再加一条语言顺序规则：同一行里，中文块排在英文块前面，两边各自仍按从左到右。

怎么算"中文块"？看字符：只含中日韩字符的算中文；只含拉丁字母的算英文；中英混排的那一块，按字符数多的一方定归属——中文字符数不少于英文字母数，就算中文。这样"1999 年的那部片子"这类带数字的中文行不会被误判成英文，混排台词也不会随机漂到英文组里。

需要说明的是：这套规则不在某个"双语开关"后面。它在做结果组装的那一层，视频字幕、屏幕实时、图片识别、屏幕取词四条链路都会经过它。双语字幕出来的顺序稳定，是因为所有链路共用同一套排序。

第三步：整帧合并，以及置信度门槛

字幕链路把一帧里的多个块合并成一条：块与块之间用一个空格连接，行内不再产生换行，连续空白最后压成一个空格。这样中文行和英文行会落成同一条字幕里的两个片段——这也是"两行黏成一行"的由来，但它是有意为之：字幕要的是"一帧一条"，不是一帧两条。

合并前后各有一道质量门：

• 低于 0.5 的文字块直接丢弃。识别置信度不到一半的结果，多半是画面噪声、字幕特效或者渐变中的半截字。
• 整块要求高于 0.7；只有一个字（去掉空格和标点后长度为 1）的块，要高于 0.85 才收。

为什么单字门槛更高？英文那一行里，一个 I、一个 a 被误认成别的字符毫无痕迹，而它一旦进了结果，看起来就是整句里的乱码。宁可丢掉一个真单字，也不要十次里错八次的假单字。

第四步：繁简统一

双语素材里常见的一种乱是繁简混出：同一句台词，这一帧是"這個電影"，下一帧是"这个电影"。引擎偶尔会把简体字认成形近的繁体字，逐帧识别时就会来回跳。

字幕链路在合并之后统一做一次繁体转简体，用的是系统自带的字符映射（LCMapString），不是自己维护一张对照表。这一步放在去重之前——如果先比再做转换，"這個/这个"就会被判成两句不同字幕，重复条目就是这么冒出来的。

第五步：相邻去重，只跟前面几句比

字幕是逐帧读的，同一句话会被读到几十次。去重规则是两道：

• 先跟上一条比：相似度达到 85% 判为重复，丢弃。
• 再回看最近 5 条：防止"每帧错一个字"的链式漂移——同一句字幕从 A 漂到 B、再漂到 C，只比上一条就会输出三条各差一字的重复。只有 4 字以上的文本参与这道回看，因为"好""等等"这类短字幕真实重复本来就很常见。回看窗口本身保留 10 条。

这里有个刻意的设计：去重只判相邻，不做全局合并。如果拿每条结果去和整篇历史比，一句台词在第 3 分钟和第 47 分钟各出现一次（这在剧里太常见了），第二次就会被吃掉。相邻判断牺牲了一点精简度，换来的是"真的说过两遍的话，会留两条"。

第六步：进 SRT 时的时间轴收口

顺序稳了、重复去了，最后要解决的是时间轴。字幕只认"出现时刻"，不认"消失时刻"，所以时长全靠推断，规则是四条：

1. 下一条出现，即视为上一条结束，两条之间不留缝。
2. 单条最长 30 秒。两句字幕之间隔了很久，中间多半是没字的空档，硬撑到下一条会误导。
3. 单条最短 1 秒，一闪而过看不清。但够不着就顶到下一条开始为止——宁可短，不可重叠，重叠会让播放器两条叠着显示，比短更糟。
4. 最后一条按取帧间隔挂 1~5 秒。它后面没有下一条，总得有个长度；视频按抽帧间隔、屏幕按刷新间隔算，再夹到 1~5 秒之间。

时间轴本身怎么读、和 ASS/VTT/LRC 差在哪，见SRT、ASS、VTT、LRC 有什么区别。

规则管不了的那两类，靠框选补

上面六步都是几何 + 字符层面的判断，所以有两类情况它确实无能为力，得在框选时配合：

• 两行贴得太近，被并成一行。行容差是按平均字高算的，中英两行如果几乎压在一起，判成同一行不算错。把框选的下边界收紧到字幕区，或者只框字幕那一块，比事后手工拆行省时间得多。
• 装饰字把整行带偏。字幕特效、台标、进度条上的数字，都会进同一帧。区域只框字幕条本身，别把播放器整条控制栏罩进去。

多一处字幕要同时认的，可以按区域分别框、分别设间隔，做法见屏幕上有多处字幕，怎么一次同时识别。至于结果里出现了乱码、重复或者整句漏掉，那是另一条排查线，见识别不准、重复、乱码的排查顺序。

两条实操建议

一、双语优先走视频字幕提取，而不是屏幕实时录制。实时识别的输入是"当前屏幕那一帧"，抽帧间隔默认 0.5 秒，一句滚得快的双语台词很可能只被读到半句；而视频文件识别是把整个文件按帧扫一遍，同一句会被读到很多次，去重反而有充分材料挑出最完整的那一条。在线播放没法直接给文件的场景，再看在线视频的字幕怎么提。

二、要改文字，先导 SRT，再改。时间轴和正文是两回事：一旦你在卡片上动过文字，系统就分不清哪段文字对应哪个时刻，会直接清掉这条时间轴——表现是导出里的 SRT 选项随之消失，TXT 不受影响。所以顺序应该是：先把 SRT 拿到手，再到字幕编辑器里改字。反过来做，就只能重跑一遍识别。

常见问题

双语要专门开什么模式吗？

不用。幕析 AI 版的识别按视频字幕、屏幕实时、图片、取词四类分，没有单独的"双语开关"，上面这套排序在四条链路里都会生效。你正常框选、正常识别就行。

顺序还是反了，是不是规则失效了？

先确认是不是"同一行"。中文在上、英文在下，两行挨得又近，会被并成一行——这时输出的是"中文 英文"连在一条里，看起来像黏住而不是像反了。真正会让中英上下对调的是字幕本身放反（有些压制组把译文放上排），那是画面事实，任何按坐标排序的规则都会忠实照搬。

想要更专门的双语处理，有没有别的做法？

有。幕析图像专业版把双语单独做成了一整页功能——"中英对照识别"，另外还有格式转换、时间轴编辑这些后续处理页。三个版本按意图怎么选，看专业版、标准版与 AI 版怎么选。

小结

双语字幕的顺序不是玄学：按行高分组、同一行中文在前英文在后、整帧合并、置信度过滤、繁简统一、相邻去重，最后做时间轴收口。六步都只依赖坐标和字符，所以结果稳定、可复现。剩下的两类问题（两行贴太近、装饰字混进来）规则管不了，靠把框收紧到字幕条来解决。真正要人工介入时记住一句：先导出，再改字。

现在就下载试试 ↓