在二次创作视频中字幕并不是可有可无的装饰。以标题为“【坊主团/Fate Strange Fake ED】茧本塔人的潜在的なあい”这类视频为例观众看到的是画面、音乐和字幕三者同步配合而制作者真正要处理的是一整套视频工程流程从原始片源中提取音频在 Aegisub 里对歌词逐句打轴设计 ASS 样式叠加卡拉OK逐字效果最后用 ffmpeg 压制输出。很多新手把这个过程简单理解为“把歌词打上去”实际操作中真正影响成片质量的是时码精度、字体渲染、滤镜顺序和编码参数。这篇文章会以 ED 二创视频的字幕制作为主线从环境准备开始逐步完成一次带硬字幕、可发布到视频平台的短视频同时给出足够详细的排查路径。读完以后你应该能独立制作一个音画同步、字幕清晰、样式稳定的压制成品。1. 二创 ED 视频的字幕工程化链路1.1 字幕在 ED 二创中的实际作用在《Fate/Strange Fake》这类作品的 ED 二创中字幕不是单纯把日文歌词贴到画面上。它承担了三层信息第一层是歌词内容本身让观众听歌的同时看懂含义第二层是节奏提示逐字变色或逐词弹出的卡拉OK效果能强化音乐节拍第三层是画面构图的一部分字幕位置、大小、颜色如果与 ED 画面冲突会直接破坏视觉重点。因此字幕制作的第一步不是打开 Aegisub 就开始打字而是要想清楚这条字幕轨在视频里到底要完成什么任务。面向 B 站、抖音这类平台的短视频字幕通常要烧录进画面并且字号要比普通字幕组的字幕更大而面向本地收藏或后续再剪辑的工程文件则更适合保留 ASS 软字幕方便修改。这里要注意一个容易混淆的概念硬字幕和软字幕。硬字幕是字幕已经被画进视频像素里无法单独关闭软字幕是封装在 MKV 或 MP4 里的一条单独字幕流播放器可以切换和关闭。发布到视频平台时因为平台不接受挂载外部字幕通常都使用硬字幕。而制作阶段一定要保留一份 ASS 源文件否则后续想改一个错字就必须重新压制整段视频。1.2 一条可复用的制作链路把一次 ED 二创视频的制作拆开可以形成一条稳定链路准备合法素材获得有授权的片源或自己录制的视频。用 ffmpeg 检查视频流、音频流和字幕流信息。从视频中提取无损音频方便在 Aegisub 里精确打轴。在 Aegisub 中完成歌词翻译、时轴校正、卡拉OK分割。设计字幕样式和特效标签。用 ffmpeg 将 ASS 字幕烧录进画面输出 H.264 AAC 的 MP4。用 ffplay 或播放器截帧验证字幕位置、编码和音画同步。这套链路的好处是每个环节都可以单独验证。如果最后成品有问题可以快速判断是哪一层出的错是时间轴问题还是样式问题还是压制参数问题。1.3 工具与人员分工个人二创制作往往是一个人完成翻译、打轴、样式和压制的所有工作但在流程上仍然要区分角色。可以参考以下工具组合环节工具用途视频信息检查ffmpeg / ffprobe查看编码、帧率、音视频流音频提取ffmpeg从视频中取出 WAV 无损音频字幕时间轴Aegisub听音打轴、卡拉OK分割字幕样式与特效Aegisub ASS 标签定义字体、颜色、动画压制输出ffmpeg / HandBrake烧录字幕、压缩视频播放校验VLC / ffplay检查最终效果这些工具都是免费或开源软件适合作为学习起点。下面的章节会从环境安装开始逐步演示每一环的具体操作。2. 环境准备用 ffmpeg 确认素材格式2.1 安装基础工具在开始任何处理之前先确保系统里有 ffmpeg、ffprobe 和 Aegisub。ffmpeg 负责视频处理ffprobe 负责查看媒体信息Aegisub 负责字幕编辑。在 Windows 上可以通过 winget 快速安装winget install ffmpeg winget install HandBrake.HandBrakeAegisub 在 Windows 下通常需要从官方站点或 GitHub Releases 下载安装包。在 macOS 上可以用 Homebrew 安装brew install ffmpeg brew install --cask aegisub brew install --cask handbrake安装完成后打开新的终端窗口执行版本检查ffmpeg -version ffprobe -version如果命令能正常输出版本信息说明路径已经生效。这里有一个容易踩的坑Windows 上安装 ffmpeg 后如果是在旧终端窗口里执行命令可能仍提示“无法识别”需要重新打开一个终端。2.2 查看视频流信息拿到素材后不要直接打开 Aegisub而是先用 ffmpeg 看一眼视频封装信息。命令很简单ffmpeg -i input.mkv即使不处理任何内容这条命令也会把媒体信息输出到终端。一个典型的输出类似下面这样Input #0, matroska,webm, from input.mkv: Duration: 00:01:30.05, start: 0.000000, bitrate: 8000 kb/s Stream #0:0: Video: h264 (High), yuv420p, 1920x1080 [SAR 1:1 DAR 16:9], 23.98 fps Stream #0:1: Audio: flac, 48000 Hz, stereo, s16 Stream #0:2: Subtitle: ass这一段信息对字幕制作非常关键帧率是 23.98 fps说明每帧大约持续 41.7 毫秒。音频是 48000 Hz采样率正常。视频里有字幕流说明原片已经带字幕需要决定是否沿用。如果 ffmpeg 没有安装 libass后面执行字幕烧录时会提示Unknown filter ass。可以这样检查ffmpeg -filters | grep ass 看到支持 libass 字样才说明当前版本可以烧录 ASS 字幕。2.3 提取音频和字幕流Aegisub 可以直接打开视频文件并读取音频但更稳妥的做法是先单独提取一条 WAV 音频。原因有两个一是 WAV 无损在反复拖动进度条时不会出现解码延迟二是当视频封装了多音轨时可以明确指定提取哪一条。提取第一条音频流ffmpeg -i input.mkv -map 0:a:0 -ac 2 -ar 48000 temp_audio.wav参数说明-map 0:a:0选择输入文件中的第一条音频流。-ac 2强制转换为双声道避免多声道音频在打轴时产生混乱。-ar 48000重采样到 48kHz。如果后续打轴时发现音频波形无法加载多半是 WAV 文件路径包含中文或空格建议把临时文件放在纯英文目录下。如果原视频已经内置字幕流想检查或者提取可以使用ffmpeg -i input.mkv -map 0:s:0 subs_original.ass提取出来的 ASS 文件可以用文本编辑器打开作为翻译或时间轴的参考但不要直接依赖它因为原片字幕的样式和断句未必适合二创播放场景。3. Aegisub 打轴让歌词对齐到音符3.1 时码与帧率基础Aegisub 的时间轴精度决定了二创视频的观感。ASS 时间码格式是小时:分钟:秒.百分秒例如0:00:01.50表示 1 秒 500 毫秒。在卡拉OK标签中\k后面跟的数字单位是厘秒也就是 1/100 秒而不是毫秒。这是一个非常容易搞混的点。帧率会影响时间轴精度。以 23.98fps 为例一帧大约是 41.7 毫秒。如果你的歌词起点差了一帧在人声密集的 ED 歌曲里会明显感觉到“抢拍”或“慢半拍”。Aegisub 中以帧为单位显示时间时按下方向键微调一帧等价于移动约 41.7 毫秒。3.2 创建任务并加载音频打开 Aegisub 后点击“字幕”菜单新建一个空字幕文件。点击“音频”菜单选择“打开音频文件”加载刚才提取的temp_audio.wav。点击“视频”菜单选择“打开视频文件”加载原始视频用于预览字幕位置。音频加载成功后底部会出现波形图和频谱图。ED 歌曲的人声通常会在频谱中呈现清晰的带状分布打轴时先看波形峰值再听实际声音比纯用耳朵数秒更准确。这里建议把项目保存为独立的.ass文件即使空白也先保存一次。后续的所有工作都会写进这个文件。3.3 打轴操作与检查点听音打轴的基本流程可以分为四步在音频波形上拖动到当前句子的起点附近按空格播放。播放到人声开始瞬间按[设置起始时间。继续播放到人声结束瞬间按]设置结束时间。在“编辑框”中确认时间码按CtrlEnter提交该行字幕。Aegisub 提供了一组高频快捷键快捷键作用空格播放 / 暂停[设置当前选中行的开始时间]设置当前选中行的结束时间Ctrl1提交当前行Ctrl3播放当前选中行音频Shift左/右微调选中行时间 10 毫秒Alt左/右微调选中行时间 1 帧每打完 5 到 10 行建议重新从第一行开始完整听一遍。检查点不是逐字拖动而是注意三处歌词第一个音是否踩在人声上句尾是否拖到声音完全消失下一句开始前是否有明显空白。3.4 批量偏移与常见打轴坑如果整体字幕都慢或快了不需要逐行修改。Aegisub 的“时间”菜单里有“平移时间”功能可以批量将选中行或全部行统一偏移。偏移量可以是正值或负值单位是秒或毫秒。这个功能可以用来处理音画不同步的后续补偿。打轴过程中最常遇到的三个问题问题一句子开始时间对上了但结束时间过早导致最后一个字被截断。解决方式是播放时不要只看歌词含义要听到尾音自然结束。问题二日语歌词中大量助词发音很轻波形上不明显。这时应该以听感为准而不是盯着波形峰值。问题三多行歌词连续出现时上一行还没结束下一行已经插入。在二创场景中建议让上一行提前 50 到 100 毫秒结束避免重叠。打轴完成后最好回到开头按CtrlShift空格从头预览整个播放序列确认行与行之间的节奏感。4. ASS 样式与歌词特效4.1 ASS 文件结构一个标准的 ASS 文件由几个区块组成。使用文本编辑器打开.ass文件可以看到类似下面的结构[Script Info] ScriptType: v4.00 Collisions: Normal PlayResX: 1920 PlayResY: 1080 WrapStyle: 2 [V4 Styles] Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, MarginL, MarginR, MarginV, Encoding Style: Default,Noto Sans CJK SC,72,H00FFFFFF,H000000FF,H00101010,H80000000,0,0,0,0,100,100,0,0,1,2,1,2,70,70,60,1 [Events] Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text Dialogue: 0,0:00:01.50,0:00:05.00,Default,,0,0,0,,{\k80}あ {\k100}な {\k90}たPlayResX和PlayResY定义了字幕设计分辨率。如果视频本身是 1920x1080这两个值就写 1920 和 1080。如果做高清视频务必先确认这两项否则字幕位置会在高分辨率缩放后错乱。Style行定义了默认样式。字段顺序由Format行决定不能随意调整。其中最重要的字段包括Fontname、Fontsize、PrimaryColour、OutlineColour、Outline和Shadow。4.2 样式与字体选择字幕字体是否能在不同平台保持一致取决于播放视频的系统里是否安装了对应字体。推荐使用开源字体例如“思源黑体”或 “Noto Sans CJK SC”。这些字体覆盖中日韩常用字符适合日文歌词和中文翻译混排。在 Aegisub 中修改样式时可以直接点击“样式管理器”调整字体、字号、描边和阴影。ED 歌词通常不建议使用太细的字体因为烧录压缩后细笔画容易发虚。以下是适合 ED 二创的典型参数参数推荐值原因Fontsize60 到 80满足手机端观看Outline2 到 3保证浅色画面下文字可读Shadow1 到 2增加与背景的分离度PrimaryColour白色或浅色与多数 ED 画面兼容SecondaryColour黄色卡拉OK高亮常用如果使用非系统自带字体在压制时必须通过 ffmpeg 的fontsdir参数指定字体目录否则 libass 可能会 fallback 到默认字体导致最终硬字幕与 Aegisub 预览不一致。这一点在生产环境中非常常见。4.3 常用标签ASS 标签直接写在事件行文本中用花括号包裹。每个标签以反斜杠开头功能非常细分。表里列出 ED 字幕最常用的几类标签作用示例{\pos(x,y)}将字幕定位到画面指定坐标{\pos(960,900)}{\fad(a,b)}淡入 a 毫秒淡出 b 毫秒{\fad(120,120)}{\cHFF0000}设置当前文字颜色{\cHFF0000}{\fs80}临时改变字号{\fs80}{\t(0,500,\fscx120)}在 0 到 500 毫秒内水平缩放{\t(0,500,\fscx120)}注意\t动画的时间单位是毫秒而\k的时间单位是厘秒。不要在同一个计算逻辑里把两者混用。\pos的坐标建议基于设计分辨率计算。例如 1920x1080 画面中底部安全区一般放在 y900 到 950 之间。不要把字幕放在画面正中央ED 画面中央通常是人物脸部或视觉重心。4.4 卡拉OK标签与示例卡拉OK逐字变色是 ED 字幕中最常见的特效也是新手最想实现的功能。核心思路是用\k标签把一句歌词按音节拆开每个\k后面的数字表示该音节在着色状态下持续的时间。例如一行完整文本{\k80}あ {\k100}な {\k90}た在 Aegisub 中开启卡拉OK模式后播放时“あ”会先被高亮 0.8 秒接着“な”高亮 1 秒“た”高亮 0.9 秒。这个高亮颜色由样式中的SecondaryColour控制。实际操作中不建议手工输入\k标签而是在 Aegisub 中先把歌词按音节拆分然后使用“卡拉OK”菜单下的“分割”功能。如果要做更复杂的逐字放大、旋转或者颜色渐变就进入“卡拉OK模板”编辑界面用模板变量控制每个音节的动画。卡拉OK标签的常用变体如下标签效果\k前一段文字被高亮时间单位厘秒\kf前一段文字从左向右填充\ko前一段文字描边先被填充对新手来说先用\k跑通整首歌再加入\kf或模板动画不要一上来就同时使用多套标签。4.5 特效性能与兼容性ASS 特效虽然灵活但并不是写得越复杂越好。视频平台在播放时会对视频做二次转码如果原本的 ASS 特效已经烧录成像素转码压力不大但如果你在 Aegisub 中做大量逐帧动画预览会明显卡顿。建议控制以下几点避免在一行字幕中使用超过 5 个\t动画。避免大量使用\blur配合高分辨率大字号文字。字幕行重叠时不要依赖复杂淡入淡出尽量缩短持续时间。这些限制既是为了预览流畅也是为了压制时减少 libass 渲染耗时。对于 90 秒的 ED 视频简单卡拉OK效果配合淡入淡出已经足够出效果。5. ffmpeg 压制输出5.1 软字幕还是硬字幕先判断最终用途使用场景字幕方式原因发布到视频平台硬字幕平台不加载外部字幕本地收藏软字幕可切换、可修改工程备份ASS 源文件保留全部编辑信息在压制 MP4 时如果选择软字幕需要将字幕流作为独立流封装进去。但很多播放器对 MP4 内的 ASS 字幕兼容性一般所以只建议在 MKV 封装中使用软字幕。本文章节以硬字幕为主这也是二创发布最稳妥的方式。5.2 烧录字幕命令硬字幕方案使用 ffmpeg 的ass滤镜。先进入工程目录确保input.mkv和subs.ass在同一目录下然后执行ffmpeg -i input.mkv -vf asssubs.ass -c:v libx264 -crf 18 -preset slow -c:a aac -b:a 192k output.mp4参数含义-vf asssubs.ass将 ASS 字幕渲染到视频画面中。-c:v libx264使用 H.264 视频编码器。-crf 18质量参数数值越小画质越高常见范围 18 到 23。-preset slow编码速度预设slow 会比 fast 压缩率更高但耗时更长。-c:a aac -b:a 192k音频转成 AAC码率 192kbps。如果字幕文件引用了外部字体文件可以使用fontsdir参数ffmpeg -i input.mkv -vf asssubs.ass:fontsdirfonts -c:v libx264 -crf 18 output.mp4fontsdir指向一个存放字体的目录这样即使系统没有安装对应字体也能以正确字形渲染。5.3 编码参数取舍CRF 和 preset 是两个最常见的调节项。CRF 控制画质preset 控制编码速度和压缩效率。CRF 值场景效果16 到 18高画质收藏文件较大18 到 23网络发布平衡画质和体积23 到 28快速预览文件较小细节有损在 ED 二创视频中不建议 CRF 大于 23否则暗部画面会出现色块。preset 如果选faster相同 CRF 下文件会更大或画质略差选slow或slower能提升压缩率但 90 秒的视频在普通电脑上编码时间也能接受。对于发布到视频平台通常还需要考虑目标分辨率。如果原始视频是 4K 但平台限制可以先缩放再烧录字幕ffmpeg -i input.mkv -vf scale1920:1080,asssubs.ass -c:v libx264 -crf 20 -preset slow -c:a aac -b:a 192k output.mp4滤镜顺序很重要。先scale再ass字幕会按照缩放后的分辨率进行定位如果相反字幕可能被拉伸或偏移。5.4 输出验证压制完成后不要只凭播放器播放一次就认为成品没问题。建议用 ffprobe 检查输出文件ffprobe -v error -show_entries streamcodec_type,codec_name,width,height -of defaultnoprint_wrappers1 output.mp4输出应该看到codec_typevideo codec_nameh264 width1920 height1080 codec_typeaudio codec_nameaac再截取某帧检查字幕位置。比如截取第 10 秒的画面ffmpeg -ss 00:00:10 -i output.mp4 -frames:v 1 frame.png用看图软件打开frame.png确认字幕没有超出安全区域、没有和画面主体重叠、字体没有变形。6. 常见问题排查从现象回到链路6.1 字幕显示成方块或缺字现象压制后的视频中中文或日文显示为方块、问号或空白。可能原因有三个系统或 ffmpeg 的 libass 找不到对应字体ASS 文件里指定了不存在的字体字体本身缺少对应字形。检查方式在 Aegisub 里查看字体名是否与实际安装字体完全一致在 ffmpeg 命令中不指定fontsdir时确认系统字体是否可用。解决方式优先将字体文件放在项目fonts目录并通过fontsdirfonts指定其次选择 Noto Sans CJK 等开源字体覆盖中文字符和日文假名。6.2 字幕出现乱码现象压制前 Aegisub 显示正常压制后中文变成乱码。常见原因是 ASS 文件不是 UTF-8 编码。Aegisub 默认使用 UTF-8但某些编辑器或手动创建文件时会保存为 GBK 或 UTF-8 with BOM。检查方式用 Notepad 或 VS Code 查看文件底部编码格式。解决方式另存为 UTF-8 without BOM。ffmpeg 的 libass 对编码较敏感使用 UTF-8 后重新压制。6.3 音画不同步现象整体字幕晚于或早于人声或者在视频中段开始偏差越来越大。常见原因Aegisub 项目里的帧率设置与视频实际帧率不一致或者音频提取和视频文件本身存在起始偏移。检查方式用ffprobe查看视频帧率并在 Aegisub 的“视频”菜单中选择相同的帧率。解决方式如果是整体固定偏移使用“时间”菜单的“平移时间”整体调整如果偏差逐渐增大先确认视频是否包含可变帧率必要时用-vsync cfr重新封装。6.4 压制后画面发灰现象视频在 Aegisub 预览时颜色正常压制输出后饱和度下降、画面发灰。常见原因素材的色彩空间在转码时没有被正确标记。常见于素材是 BT.709 色彩空间但输出文件没有写入对应色彩信息。检查方式用 ffprobe 查看输入的color_space、color_primaries和color_trc。解决方式在 ffmpeg 中显式指定色彩参数ffmpeg -i input.mkv -vf asssubs.ass -c:v libx264 -crf 18 -colorspace bt709 -color_primaries bt709 -color_trc bt709 output.mp4如果输入素材本身是 BT.2020 等广色域需要先转换到 BT.709再进入压制流程。6.5 压制后字幕卡顿或掉帧现象播放成品时视频其他部分正常但字幕弹出或卡拉OK变色瞬间出现卡顿。常见原因ASS 特效过于复杂libass 在短时间内的渲染量超过了编码线程处理能力或者使用了超大字号阴影和模糊效果。检查方式降低分辨率后重新压制观察卡顿是否消失对比取消\t动画后的版本。解决方式在 Aegisub 中简化特效减少每行\t数量避免在同一帧内同时触发多条字幕动画。7. 二创字幕制作的最佳实践7.1 工程目录规范当项目只有一个视频时文件放桌面没问题。但一旦开始批量制作系列视频目录混乱会让排查成本成倍增加。推荐使用固定目录结构project/ video/ input.mkv audio/ temp_audio.wav fonts/ NotoSansCJKsc-Regular.otf sub/ subs.ass output/ output.mp4将原始视频、临时音频、字体、字幕源文件和输出文件分开能避免误删素材、找不到字体、混淆压制版本。7.2 从简单到复杂的练习路线字幕特效并不需要一步到位。建议按以下顺序练习完成一句歌词的纯文字显示。完成从 Aegisub 打轴到 ffmpeg 压制的全流程。加入\fad淡入淡出和\pos定位。实现整首歌的\k卡拉OK逐字变色。再尝试\kf填充效果和\t缩放动画。每一步都独立验证不要在一开始就把所有特效叠加在一起。特效越复杂出问题时越难定位。7.3 自动化与版本管理当需要压制多个视频或者反复调整字幕配色时可以使用脚本批量处理。例如一个简单的 Bash 脚本遍历目录中的 ASS 文件#!/bin/bash for ass in sub/*.ass; do name$(basename $ass .ass) ffmpeg -y -i video/${name}.mkv -vf ass${ass} -c:v libx264 -crf 20 -preset slow -c:a aac -b:a 192k output/${name}.mp4 done也可以把 ASS 文件纳入 Git 管理。ASS 是纯文本格式用 Git 可以清楚看到每次修改了哪个时间码、哪个颜色值。这比“最终版2.0.ass”这种命名方式可靠得多。7.4 素材版权与发布合规二创视频的首要前提是使用合法素材。不要直接下载无授权的商业片源来二次发布。学习和技术演示可以只处理自己录制或明确授权的素材。发布到平台时要遵守平台的二创审核规则并合理标注作品来源和信息。字幕翻译本身也可能涉及版权因此不建议在公开视频中直接使用商业字幕组的未授权字幕源文件。自行翻译、自行打轴是更稳妥的做法。字幕制作的本质是时间轴、样式和编码三个环节的精确配合。先把最基础的打轴做到位再谈特效和自动化。建议新手拿一段 30 秒的 ED 试手输出一次硬字幕观察不同播放器中的表现再根据问题回查链路。这套流程熟悉之后处理完整片长就只是重复和优化的过程了。