关掉字幕后还看得见字吗？先判断文字在哪一层
收到 MP4 或 MKV 后，先在播放器关闭字幕。仍留在画面里的字属于硬字幕；随开关消失的字可能来自内嵌字幕轨，也可能来自同目录的外挂文件。打开播放器的轨道信息，查清来源和语言，别因为扩展名相同就认为整批素材都有相同字幕。
有 FFmpeg 工具时，可运行 ffprobe -v error -show_streams -of json input.mkv，检查 codec_type 为 subtitle 的流、编码名称和语言标签。没有字幕流但目录里有 SRT，就先导入核对；既无文件又无字幕流，才进入 OCR 或 ASR。下面命令中的文件名和流序号都是示例。
文本字幕轨直接导出，位图字幕轨还要识别
探测后选择正确语言的文本流，再导出可编辑文件。例如确认第一条字幕流就是所需台词时，可运行 ffmpeg -i input.mkv -map 0:s:0 -c:s srt extracted.srt。这里 0:s:0 指第一个输入中的第一条字幕流，不是所有素材都应选择的固定序号。
导出前检查编码类型。ASS 转为 SRT 会丢失部分排版、样式和特效，应保留原 ASS；PGS 等位图字幕存的是图片，不能靠这条命令直接变成文字，需要用支持位图字幕的 OCR 工具识别。若选中的是注释轨或只有少量外语对白的强制字幕轨，导出会成功但内容不完整，所以仍要对照全片。
打开结果检查中文是否乱码、第一句与末句是否齐全，再放回原视频看同步。已有文本只出现个别错字时直接修文本，比重新识别全部对白更可控。
硬字幕走 OCR：先识别对白区，再合并时间相邻的文字
光学字符识别（OCR）读取画面里的字。先取普通对白、双行字幕、快速切镜和人物遮挡的片段，确认字幕位置是否稳定，再指定对白区域与语言。人物卡、广告、水印和手机消息另列用途；全屏识别会把这些内容混入台词，后面翻译也会跟着混乱。
识别后把连续帧里同一句话合并为一个字幕条目，并保留出现与消失时间。两句只差一个字时不要自动当成重复，例如“不是他”和“就是他”可能正是反转。若某几集字幕上移，只调整这些集的区域；画质过低时改用清晰原声辅助，不要先放大整批再指望文字自然变准。
OCR 必须读取还保留原字的素材。净版可以另外制作，但源片与 OCR 结果要留下，之后漏句或时间边界有争议时仍能回看。
无字幕走 ASR：先选对白轨，再补人名与抢话
自动语音识别（ASR）从声音建立台词和时间信息。先试听各音轨，选实际包含源语言对白的版本；有独立对白轨时优先比较其清晰度。不要把配乐轨、其他语言配音或左右声道缺失的文件直接送去识别。设置源语言后，用耳语、争吵、画外音和音乐强的片段试跑。
得到初稿后，跟着视频补专名、数字、漏掉的短促回答和多人重叠。识别出的说话人编号只代表声音分组，需要回看角色才能确认姓名。静音或纯音乐片段出现完整句子时，检查是否为误识别，不应因为句子通顺就保留。
若需要降噪或分离人声，先对照处理前后的样片。处理过强可能让尾音和轻声一起消失，导致漏词；这种情况回到原声人工补写，比在损伤后的音轨上不断重试更直接。
OCR 和 ASR 对不上时，先分清字幕稿与实际说话
画面字幕有时省略语气词，原声却完整说出；手机消息则有文字但没有人念。两路结果不同不一定是谁识别错了。先确定交付是对白字幕、无障碍字幕还是画面文字翻译，再决定哪些内容应保留，不能简单把两份结果拼接起来。
| 差异 | 回看什么 | 处理方式 |
|---|---|---|
| 名字写法不同 | 首次出场人物卡与后续称呼 | 确认标准名字，再查全剧变体 |
| 有声音但画面无字 | 画外音、插话和片尾对白 | 按交付用途补字幕，不照抄 OCR 空白 |
| 有文字但没有对白 | 聊天消息、路牌或包装文字 | 记录为画面信息，避免塞进角色配音 |
保留每条修订的来源说明，尤其是金额、身份和关键否定词。两路都不清楚时标记待补源或人工确认，别用前后剧情猜一个“看起来合理”的句子作为定稿。
校轴时区分整体偏移、逐渐漂移和单句入点错误
把字幕加载到最终要用的视频，分别对开头、中间、结尾。全片都早了相近时长，可整体平移后复查；越到后面差得越多，要检查视频版本、帧率处理或中途删减；只有个别句子不准，则局部改入点与出点。不能用一次整体平移掩盖每段剪辑造成的不同偏差。
接着按语义断句，检查字幕是否闪得太快、跨到下一人说话或盖住关键画面。合法的重叠对白与重复台词不能一概删除。正常速度从头到尾看一遍关键段落，确认文字不仅“识别对了”，也确实来得及读完。
交出匹配母版的字幕，同时留下识别原稿
导出后重新打开 SRT 或接收方指定格式，检查编码、时间顺序、结束时间大于开始时间，以及是否超出视频时长。保留原始字幕轨或识别稿、人工批准稿和对应视频版本；不要让后续翻译人员误把未校对的 OCR 结果当成标准台词。
需要批量处理多集时，GhostCut 的 ASR 与 OCR 可把不同素材转成可编辑字幕，校对后的 SRT 再进入翻译。已有准确字幕轨的素材仍直接复用。提取完成后最常见的下一步是修时间与阅读负荷，可接着看字幕翻译怎样控制 CPS，把可编辑稿变成观众能读完的字幕。