全部文章
指南2026/08/21

字幕与转录文件格式全解：SRT、VTT、TXT、JSON、CSV 及更多

一份关于转录会产出的文件格式的参考——SRT、VTT、TXT、TSV、CSV、JSON，以及 ASS、SSA、SMI、TTML——每种都配真实示例，并附一张"什么时候用哪种"的对照表。

转录完一个文件，紧接着就得选：你要哪种格式？SRT？VTT？TXT？还是名字里带 JSON 的那个？这些格式并不能随意互换——每一种都会丢掉其他格式保留的信息，选错了就意味着重新导出，或者自己去写个转换器。

这是一份参考：转录常见的每一种格式——它长什么样、用来做什么、以及如何在它们之间转换。

一张总表

格式时间戳样式机器可读最适合
SRT有（逐条）极少半可读字幕/caption，几乎全平台支持
VTT有（逐条）有（定位、cue）半可读网页视频（<track>）、HTML5 播放器
TXT无无否阅读、引用、粘进文档
TSV有（分列）无是表格、脚本、数据管线
CSV有（分列）无是Excel/Sheets、导入
JSON有（逐段）无是编程调用、API、自研应用
ASS / SSA有有（丰富）半可读带样式/卡拉OK字幕、动画字幕组
SMI (SAMI)有有（HTML/CSS）半可读旧版 Windows Media
TTML有有（丰富）是（XML）广播、流媒体投递

下面是这张表每一行背后的细节。

SRT（SubRip）

字幕界的通用语。几乎每个播放器、编辑器和平台都认 .srt。一个文件就是一串编号的 cue：序号、起止时间戳、一行或多行文本，然后一个空行。

1
00:00:00,498 --> 00:00:02,827
大家好，欢迎收看本期节目。

2
00:00:02,900 --> 00:00:05,110
今天我们来聊聊文件格式。

注意毫秒前面是逗号（,498）——这是 SRT 的标志，也是多数手写转换器最容易搞错的地方。样式仅限基础标签。当你想要最大兼容性时，就用 SRT。

在它和其他格式之间互转：VTT 转 SRT、SRT 转文本、SRT 转 Word、SRT 转 PDF，或在 SRT 编辑器里重新校时。

VTT（WebVTT）

网页原生的字幕格式，为 HTML5 的 <track> 元素设计。它看起来像 SRT，但有三点不同：必须有 WEBVTT 文件头、毫秒前是点号（不是逗号）、并且支持 cue 定位、样式和元数据。

WEBVTT

00:00:00.498 --> 00:00:02.827
大家好，欢迎收看本期节目。

00:00:02.900 --> 00:00:05.110 line:90% align:center
今天我们来聊聊文件格式。

当视频在浏览器或 HTML5 播放器里播放时，用 VTT。如果某平台拒收你的文件，SRT/VTT 混淆通常就是元凶——用 SRT 转 VTT 或 VTT 转文本换一下。

TXT（纯文本）

整份转录稿以散文形式呈现，没有时间戳、没有结构。当你要阅读、在文档里引用、粘进博客、或喂给另一个只需要文字的工具时，这就是你要的。它是最适合人读的导出，也是最不适合需要时间信息的场景。

TSV 与 CSV

表格式转录：一段一行，起始时间、结束时间和文本各占一列（TSV 用制表符分隔，CSV 用逗号）。

start	end	speaker	text
0	2827	S1	大家好，欢迎收看本期节目。
2900	5110	S1	今天我们来聊聊文件格式。

用 Excel 或 Google Sheets 打开，或在脚本里逐行读取。对转录而言，TSV 比 CSV 更稳，因为口语文本里到处是逗号、会把粗糙的 CSV 解析器搞崩；而制表符几乎不会出现在文本内部。当你要做分析时——给访谈做质性编码、统计词频、或把分段导入管线——就用它们。

JSON

结构化导出，供代码消费。每一段都是一个对象，带着它的时间、文本和（若开启）说话人，因此程序无需从字符串里解析时间戳就能读取。

{
  "segments": [
    { "start": 0.498, "end": 2.827, "speaker": "S1",
      "text": "大家好，欢迎收看本期节目。" },
    { "start": 2.900, "end": 5.110, "speaker": "S1",
      "text": "今天我们来聊聊文件格式。" }
  ]
}

当你要在转录之上做二次开发时——自研查看器、搜索索引、摘要环节——就用 JSON。它是无损选项：转录所知道的一切都在里面，可随时重塑成上面任何一种格式。

带样式的字幕格式：ASS、SSA、SMI、TTML

这些携带了纯格式装不下的视觉样式：

  • ASS / SSA（Advanced SubStation Alpha）——丰富的定位、字体、颜色和卡拉OK式计时。它是动画字幕组的标准，也是任何"要看起来是设计过、而非默认样式"的字幕的选择。用 ASS 转 SRT 或 SSA 转 SRT压平成通用文件。
  • SMI（SAMI）——微软较老的、基于 HTML/CSS 的 caption 格式，仍见于旧版 Windows Media 内容。用 SMI 转 SRT把它现代化。
  • TTML（Timed Text Markup Language）——广播与流媒体投递使用的 XML 格式（其 profile 包括 EBU-TT 和 SMPTE-TT/IMSC 系列）。冗长但精确，是专业管线的标准。用 TTML 转 SRT转换。

除非平台强制，你很少会去创作这些格式；更常见的是你收到一个、然后需要把它变成 SRT 或 VTT。

怎么选，一句话概括

  • 要给视频加字幕? 追求广泛兼容用 SRT，网页用 VTT。
  • 只想读或引用? TXT（要可分享的文档就用 PDF/DOCX）。
  • 要分析转录? TSV 导进表格。
  • 要在它上面做软件? JSON。
  • 拿到带样式或广播格式的文件? 把 ASS/SSA/SMI/TTML 转成 SRT。

首先得拿到文件

这些全都来自同一步：转录音频或视频，然后导出。ScribeToAny 从一份转录里产出 TXT、SRT、VTT、TSV、CSV、JSON、PDF 和 DOCX——自动检测语言、对照音频校对分段、想要几种格式就导出几种。如果你已经有字幕文件、只是想在格式之间转换，浏览器工具会在你本机完成转换，什么都不上传。

格式只是同一份定时文本的不同视图——文字、时间，有时还有样式。选目的地期待的那一种，再留一份 JSON 或 VTT 当无损母版。从音频转文字工具开始，然后导出成下一步需要的任何格式。

全部文章