之前整理过一批偶像类页游的电话留言语音最头疼的不是听写台词而是素材分散、音量不齐、没有字幕、角色顺序混乱想做一个“全员合集”出来反复倒腾了很久。网上的资料大多只讲某个单一工具很少有把音频处理、字幕制作、合辑拼接串成全流程的教程。这篇文章就把我实际操作中的一套完整思路整理出来分成音频预处理、字幕制作、合辑压制、命名规范和常见报错排查几个部分。如果你手里已经有正版可播放的语音资源想整理成带中文字幕的收藏合辑或者只是想把散落各处的电话留言按角色归档都可以参考这套流程。1. 背景与核心概念1.1 什么是电话留言类角色语音电话留言是偶像养成类页游、音游中比较常见的一种角色语音形式。它通常模拟“偶像给制作人打电话留言”的场景内容可能是活动提醒、节日祝福、生日问候也可能是一段日常闲聊。和游戏剧情里的对白语音不同电话留言更接近一段完整的、独立的人声录音时长从十几秒到几分钟不等语气也更口语化经常会有“喂喂”“听到吗”这类通话开场白。从音频形态上看电话留言一般有几个明显特征以人声为主背景音乐很轻或没有动态范围较大有时会模拟手机通话的频响效果不同角色的录音时间、录音条件不同音量响度差异明显同一角色可能有多个版本对应不同活动或不同时期。这些特征决定了处理流程不能简单“压成一条音轨就完事”而是需要先做响度统一、噪声处理再进入字幕和剪辑环节。1.2 为什么需要做“全员合集”单个电话留言直接听当然也可以但如果语音数量多问题就会暴露出来角色分散在不同活动、不同入口回听时很难快速定位没有统一的命名和排序文件多了以后容易混乱没有字幕时非母语内容基本听不懂单独文件播放体验差音量忽大忽小也没有连续播放的“合集感”。把全员电话留言整理成合辑本质上是在做三件事内容归集、信息补充、体验统一。归集解决“找不到”字幕解决“看不懂”统一响度和拼接解决“听感不一致”。1.3 “中字”指的是什么“中字”就是中文简体字幕。这类游戏的角色语音大多没有官方中文翻译因此“中字合集”通常属于爱好者二次创作由粉丝完成听写、翻译、打轴和压制。这里要特别说明翻译字幕属于二次创作范畴整理过程中需要注意版权边界个人学习、交流使用问题不大但不建议用于商业传播。2. 合集内容规划与命名规范2.1 先定结构再动手处理很多人在整理时容易犯一个错误拿到音频就直接开始听写翻译结果做到一半发现角色缺漏、排序混乱又要返工。正确的做法是先规划目录结构。推荐按“角色 → 类别 → 序号”的方式组织phone_messages/ ├── 角色A/ │ ├── 001_活动预告/ │ ├── 002_生日祝福/ │ └── 003_日常闲聊/ ├── 角色B/ │ ├── 001_活动预告/ │ └── 002_纪念日留言/ └── 说明文档.md这样做的好处是后续拼接合辑时可以直接按目录顺序读取如果某个角色新增语音也不影响其他角色的序号。2.2 文件名命名规则文件名尽量不要用“音频1”“新建录音”这种无意义命名。建议统一采用角色名_内容主题_序号.扩展名例如A角色_生日留言_01.m4a A角色_活动预告_02.m4a B角色_新年祝福_01.m4a需要注意文件名里不要包含/、\、:、*、?、、、、|这些特殊字符否则在部分工具和脚本里会报错。2.3 建立台词与元数据表格除了音频文件还建议维护一个简单的表格用来记录每条语音的角色、标题、时长、翻译状态、音频源文件路径。这一步看起来麻烦但当你整理到几十条甚至上百条语音时表格比文件名可靠得多。可以新建一个 CSV 或 Markdown 表格字段示例如下角色标题时长翻译状态源文件角色A生日留言00:45已完成/audio/A_01.m4a角色B活动预告01:20待校对/audio/B_02.m4a3. 环境准备与工具链3.1 操作系统与基础环境本文的操作流程以 Windows 和 macOS 双平台通用为主命令行示例默认使用 ffmpeg。ffmpeg 是目前最常用的音视频处理工具跨平台支持很好安装方式各不相同Windows可以下载已编译好的 ffmpeg 可执行文件并配置环境变量macOS推荐通过 Homebrew 安装安装命令为brew install ffmpegLinux多数发行版自带或可通过包管理器安装。版本号变化较快本文不限定具体版本只要 ffmpeg 主版本正常可用即可。3.2 工具清单与用途工具用途ffmpeg音频格式转换、响度统一、合辑拼接、字幕压制Audacity可视化波形检查、降噪、音频片段微调Aegisub字幕时间轴制作、ASS 字幕编写PotPlayer / IINA本地播放预览、检查字幕效果任意视频剪辑软件可选用于加片头、过场或特殊转场如果只是做音频合集不一定要用剪辑软件ffmpeg 基本可以覆盖。但如果你想把封面图、片头、角色头像一起合进去就需要简单剪辑或 ffmpeg 的图片与音频合成能力。4. 音频素材的获取、转换与预处理4.1 素材获取的合规边界必须先强调一点所有素材都应该来自你合法拥有的游戏账号、官方提供的回放或收藏功能。本文讨论的是如何整理、翻译和压制你已经可以正常播放的语音内容不涉及任何形式的资源提取、破解、绕过保护或盗版传播。在开始处理之前请确认该语音在游戏内是否允许录制或回放你的整理结果是否仅用于个人学习、粉丝交流发布到公开平台时是否遵守平台规则和版权方要求。如果某款游戏明确禁止录制或二次公开那就不要公开发布字幕版自己整理收藏即可。4.2 音频格式转换从游戏内录制或收藏功能拿到的音频常见格式有 m4a、aac、mp3、wav 等。ffmpeg 可以非常方便地统一格式。如果需要精确打轴建议转成无损的 wav避免播放器时间轴偏差。# m4a 转 wav采样率 44100Hz双声道16bit ffmpeg -i input.m4a -acodec pcm_s16le -ar 44100 -ac 2 output.wav如果你的原始素材是立体声但人声集中在中间也可以先转成单声道减小文件体积# 转成单声道 wav ffmpeg -i input.m4a -acodec pcm_s16le -ar 44100 -ac 1 output_mono.wav4.3 音量响度统一不同设备、不同时间录制的语音音量可能差别很大。直接拼接会导致听感忽大忽小。ffmpeg 自带的 loudnorm 滤波器可以按目标响度统一音量。# 统一响度到 -16 LUFS适合人声为主的语音 ffmpeg -i input.wav -af loudnormI-16:TP-1.5:LRA11 output_loudnorm.wav这里的参数含义I-16目标整体响度为 -16 LUFS这是常见的人声内容响度标准TP-1.5真实峰值不超过 -1.5 dBTP防止削波LRA11响度范围控制在 11 LU让安静和响亮部分差距不要过大。注意loudnorm 处理时会动态改变音量所以在响度统一之后再检查一遍是否有爆音或不自然的音量起伏。4.4 降噪与去口水音电话留言经常带环境底噪尤其是模拟通话效果时会有轻微电流声。推荐用 Audacity 做一次轻量降噪在 Audacity 中打开音频选中一段没有人声的纯底噪片段通常 0.5 秒即可点击“效果 → 降噪/修复 → 降噪”先点击“获取噪声样本”再选中全部音频重新打开降噪窗口设置降噪量 6~12 dB预览后应用。降噪量不要设置太大否则人声会发闷、失真。电话留言本身有通话质感不需要追求完全干净。4.5 按通电话切割如果一条音频里包含好几通电话留言需要先切分。Audacity 里可以用选区工具选中一段然后按Ctrl IWindows或Cmd ImacOS在选区边界切断再把不需要的部分静音或删除。更高效的方式是用 ffmpeg 直接按时间点切割# 从第 5 秒开始截取 45 秒 ffmpeg -i input.wav -ss 5 -t 45 output_cut.wav这里-ss 5表示从第 5 秒开始-t 45表示截取 45 秒输出文件就是切割后的片段。5. 台词整理与字幕制作5.1 听写与翻译流程字幕制作的核心是台词文本。先通听一遍把每句话的原文听写下来再逐句翻译成中文。这个阶段不建议边听边打轴可以先在文本文件里完成听写和翻译再进入打轴环节。听写时注意语气词尽量保留如“嗯”“啊”“那个”说话人身份变化要标记清楚如果同一句有不同理解可以加注释专有名词、活动名首次出现时可以保留原文加中文说明。5.2 Aegisub 基础打轴Aegisub 是免费开源的字幕编辑工具支持音频波形和视频预览适合精细打轴。基本流程打开 Aegisub先把 wav 或 mp4 拖入音频/视频区域播放音频听一句暂停一句在字幕编辑区点击“新建”预设开始时间和结束时间输入翻译文本按Ctrl 1到Ctrl 9的快捷键可以快速微调时间轴。打轴的要求是“进点要早出点要晚”一般开始时间比人声实际开口早约 100 到 200 毫秒结束时间比人声收尾晚约 200 到 300 毫秒避免字幕闪得过快。5.3 ASS 字幕样式常见配置ASS 字幕可以精细控制字体、颜色、描边、位置等样式。下面是一个最简样式示例保存为.ass文件后可以用播放器加载[Script Info] ScriptType: v4.00 PlayResX: 1920 PlayResY: 1080 [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,思源黑体 CN Medium,52,H00FFFFFF,H000000FF,H00101010,H80000000,0,0,0,0,100,100,0,0,1,3,1,2,60,60,50,1 [Events] Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text Dialogue: 0,0:00:01.00,0:00:04.50,Default,,0,0,0,,喂喂听得到吗样式参数里比较关键的是Fontname字体名称如果系统没有对应字体会自动替换Fontsize字号与视频分辨率相关1080p 下 50 左右比较合适PrimaryColour字幕主颜色白色字幕一般是H00FFFFFFOutline描边宽度建议 2 到 3Shadow阴影深度建议 1Alignment字幕位置2 表示底部居中8 表示顶部居中。5.4 导出 srt 或保留 asssrt 格式兼容性最好几乎所有播放器都支持。Aegisub 里可以“文件 → 导出字幕 → 导出为 SRT”。但如果需要复杂样式、说话人颜色区分建议保留 ass 格式。如果要做“全员合集”可以考虑一个角色一种字幕颜色观看时更容易区分说话人。6. 全员合辑的剪辑与压制6.1 纯音频合辑拼接如果只做音频合集最简单的方案是用 ffmpeg 的 concat demuxer。先准备一个文本文件list.txt按顺序写入要拼接的音频文件绝对或相对路径file A角色_生日留言_01.wav file A角色_活动预告_02.wav file B角色_新年祝福_01.wav然后执行# 按列表拼接重编码为 aac 格式 ffmpeg -f concat -safe 0 -i list.txt -c:a aac -b:a 192k output_audio.m4a注意如果参与拼接的音频编码格式不一致建议都先转成同一格式再拼接否则会报错或出现时间偏移。6.2 带字幕的视频合辑压制如果想让观众在观看时看到中文字幕可以把封面图或静态背景图和音频合成视频再烧录字幕。先生成一张与音频等长的静态背景图# 用封面图加音频生成无声视频 ffmpeg -loop 1 -i cover.jpg -i output_audio.m4a -c:v libx264 -tune stillimage -c:a copy -shortest video_no_sub.mp4然后烧录字幕# 在视频中嵌入 ass 字幕 ffmpeg -i video_no_sub.mp4 -vf subtitlessubtitle.ass -c:v libx264 -c:a copy video_final.mp4subtitlessubtitle.ass是滤镜参数如果字幕文件和视频不在同一目录需要写完整路径路径中的冒号等特殊字符要做转义。6.3 音画同步验证压制完成后一定要从头到尾检查一遍音画是否同步。常见问题包括字幕时间轴整体偏移通常是素材采样率不同导致视频过长或过短静态图模式容易出现尾部长短不一致音频短于预期可能是源文件时长字段错误。检查方法很简单播放到每一通电话的起始位置对比字幕出现时间和人声开始时间误差在 200 毫秒内可以接受。7. 常见问题与排查思路7.1 ffmpeg 拼接时报错问题现象常见原因解决思路Invalid data found when processing input文件路径错误或格式不支持检查文件是否存在先用 ffprobe 确认格式Packet corrupt参与拼接的文件编码参数不一致先统一转成相同编码再拼接输出音画不同步源文件采样率不同统一转成 44100Hz 或 48000Hz 后再拼接7.2 字幕时间轴整体偏移问题现象常见原因解决思路字幕比人声慢 0.5 秒打轴时起始点设置过晚在 Aegisub 中全选字幕统一增加负偏移字幕越来越不对源音频经过变调或变速处理确认是否使用了带变速的降噪或响度滤镜某一句错位明显断句或说话人判断错误重新听写该句手动微调时间轴Aegisub 中可以全选字幕然后通过“字幕 → 时间轴 → 移动所有行”统一调整时间偏移。7.3 中文字幕显示为乱码问题现象常见原因解决思路播放器中文字幕乱码文件编码与播放器默认编码不一致将 srt/ass 文件另存为 UTF-8 编码字幕显示为方框字体缺失安装字幕样式中指定的中文字体或改为系统已有字体压制后字幕消失滤镜路径不正确检查subtitles滤镜参数中的路径转义这里有个实操建议全部字幕文件统一用 UTF-8 编码保存可以避免大部分乱码问题。7.4 音量忽大忽小即使做过 loudnorm也可能出现某些段落响度起伏。原因通常是源素材本身动态范围过大或录制时人声远近不一。解决方式是在 Audacity 中手动调整这些片段的包络线降低峰值或提升低音量部分。7.5 文件过大不利于分享如果压出来的视频体积过大可以降低视频码率。静态背景图的视频不需要太高码率建议视频码率控制在 2000 到 4000 kbps音频码率保持 192k 即可。# 限制视频码率重压制 ffmpeg -i video_final.mp4 -c:v libx264 -b:v 2500k -c:a copy video_smaller.mp48. 合规提醒与工程建议8.1 尊重版权与内容边界整理电话留言合集尤其是带中文字幕的二次创作内容需要始终记住几点游戏角色语音、角色立绘、背景音乐的所有权归版权方所有粉丝翻译和字幕属于二次创作范围严格限于个人学习、同好交流公开发布前要确认版权方是否允许该类衍生内容不要用于任何商业用途不要加入付费订阅、打赏领取等机制。合规的底线不是“会不会被发现”而是“是否尊重了创作者和版权方的基本权益”。8.2 素材与中间文件分开管理处理过程中会产生大量中间文件比如降噪前的原始录音、降噪后的 wav、响度统一的版本、字幕的草稿和终稿。建议按“原始素材 / 工作文件 / 最终产物”三层目录存放避免误覆盖。phone_messages/ ├── source/ # 原始录音只读备份 ├── workspace/ # 中间文件可随时删除 └── release/ # 最终字幕版合辑8.3 字幕文本与视频分离保存如果你压制了带字幕的视频建议同时保留一份独立的 ass 或 srt 字幕文件。不要把字幕文本只写在视频工程文件里。这样以后想修正翻译、换字体、调整字号都不需要重新从视频里提取。8.4 命名规范长期维护整理不是一次性工作。游戏后续可能新增活动语音角色也可能推出新版本留言。从一开始就用统一的命名规范、目录结构和表格记录长期维护成本会低很多。8.5 备份策略原始录音和翻译文稿是工作量最大的部分也是不可再生的素材。建议至少保留一份本地备份和一份云端备份备份频率可以在每个角色整理完成后执行一次。9. 总结与下一步到这里从电话留言素材整理、音频响度统一、中文字幕打轴到全员合辑压制的全流程已经走完了。核心可以概括为先规划目录结构和命名规范再做音频格式统一和响度处理然后听写翻译并在 Aegisub 中打轴最后通过 ffmpeg 拼接压制为带字幕的合辑。这套流程不只适用于偶像类页游的电话留言同样适用于其他角色语音、广播剧、语音剧的中文化整理。如果你只是需要快速做一条字幕完全可以只使用 Aegisub 加 ffmpeg如果语音数量大则可以尝试把部分步骤脚本化比如用批处理脚本统一转码、统一响度、批量生成 concat 列表。下一步可以学习的方向包括正则表达式批量替换字幕文本、Python 脚本自动化处理文件命名、批量检查字幕时间轴重叠以及更精细的视频压制参数调优。整理语音合集是一件需要耐心但很有成就感的事。做第一条字幕时会觉得慢做到第十条、第二十条时就会熟练很多。希望这篇笔记能帮你少走一些弯路。