全部文章
指南2026/09/24

字幕阅读速度（CPS）：行业标准是多少，AI 字幕为什么总超标

Netflix 与 BBC 的字幕阅读速度（CPS）标准、每分钟词数与 CPS 的换算，以及一次实测：AI 字幕超速，多半是时间轴的问题，而不是字太多。

一条字幕可以一个字都没错，却依然是失败的字幕：观众还没读完，它就消失了。阅读速度，也就是每秒字符数（CPS，characters per second），是字幕从业者在视频上线前发现这个问题的标准做法。

本文先整理各大平台字幕规范里的具体数字，以及 CPS 和"每分钟词数"怎么换算；然后用机器生成的字幕做一个小实验。结果出乎我们的意料：AI 转写出来的"超速"字幕，大多数并不是字太多，而是时间轴卡得太紧，很多一个字都不用删就能修好。

CPS 怎么算

CPS 等于一条字幕的字符数，除以它在屏幕上停留的秒数：

CPS = 字幕字符数 ÷ 显示时长（秒）

一行 42 个字符的英文字幕显示 2 秒，就是 21 CPS；同一行显示 2.5 秒，就降到 16.8 CPS。

有两个细节会改变结果，在比较不同工具的数字之前要先弄清楚：

  • 哪些算字符。 我们把眼睛要读的所有字符都算上，包括空格和标点，只排除两行之间的换行符。有些工具不算空格或标点，同一条字幕在它们那里算出来的数字会更低。
  • 用哪个时长。 显示时长是字幕的结束时间减去开始时间，不是说话人说这句话用了多久。下面实验的全部结论，都来自这两者之间的差别。

主流字幕规范里的数字

规范阅读速度每行长度行数显示时长
Netflix 英语（成人）最高 20 CPS42 字符最多 2 行5/6 秒至 7 秒
Netflix 英语（儿童）最高 17 CPS42 字符最多 2 行5/6 秒至 7 秒
Netflix 简体中文（成人）最高 9 CPS16 字最多 2 行5/6 秒至 7 秒
Netflix 日语最高 4 CPS13 个全角字符最多 2 行5/6 秒至 7 秒
BBC每分钟 160–180 词约 16:9 画面宽度的 68%2 行（不遮挡重要画面时可 3 行）每个词至少约 0.3 秒

几点值得注意：

  • 中文、日文的上限低得多，因为一个汉字承载的信息远多于一个拉丁字母。拿英文的阈值去检查中文，几乎什么都不会被标出来，所以不同文字必须用不同的阈值。
  • 上限不是目标。 Netflix 对儿童节目降到 17 CPS，BBC 的每分钟 160–180 词折算下来只有约 14–16 CPS（见下文）。定得比上限低一些，是给读得慢的观众，以及用第二语言看字幕的观众留出余量。
  • 最短显示时长和速度上限同样重要。 Netflix 规定至少 5/6 秒（24 帧/秒下是 20 帧），因为一闪而过的字幕，哪怕只有两三个词，观众也很难看清。

每分钟词数（WPM）怎么换算成 CPS

语速和字幕规范经常用"每分钟词数"（WPM）。两者换算需要知道平均每个词有几个字符（包括词后面的空格）。

在下文实验用的英文样本里（447 个词，2,413 个字符），这个数是每词 5.4 个字符。所以对英文来说：

每分钟词数≈ CPS
14012.6
16014.4
18016.2
20018.0
22019.8

BBC 的 160–180 WPM 按我们的算法约等于 14–16 CPS，明显低于 Netflix 成人内容 20 CPS 的上限。有声书一般推荐每分钟 150–160 词，而下面实验里的讲解配音是 189 词。所以语速快的人，逐字照录的字幕单靠文字量就可能超过 17 CPS。但实验会告诉你，文字量通常不是主要原因。

实验：AI 字幕在哪里超速

音频。 我们用的是自己产品宣传片的英文配音：全长 2 分 48 秒，447 个词，一个清晰的合成人声，句与句之间有自然停顿。其中有声部分共 142 秒，按这段时间算，语速是 189 WPM（17.0 CPS），属于偏快但正常的讲解视频节奏。

字幕。 我们用开源 Whisper（base 模型，本机运行）转写，再按 ScribeToAny 转写引擎导出 SRT 时用的同一套规则切成字幕条：

  • 每条最多 84 个字符（两行各 42）；
  • 每条最长 7 秒；
  • 优先在句末断开，其次在分句处断开。

每条字幕从第一个词开始，到最后一个词结束。

检查方法。 我们用 Netflix 英语的两个上限 17 CPS 和 20 CPS 检查每一条，同时统计短于 5/6 秒的字幕；然后依次加上两种常规修正。

步骤条数CPS 中位数超过 17 CPS超过 20 CPS短于 5/6 秒
A. 时间轴紧贴语音6919.347（68%）29（42%）17
B. + 结束时间延伸到后面的停顿里6915.520（29%）9（13%）9
C. + 合并相邻的短字幕4115.510（24%）3（7%）1

这些数字说明了什么

时间轴紧贴语音时，三分之二的字幕"超速"。 可音频在说话期间的平均速度正好是 17.0 CPS，平均每条字幕的字数并不多。问题在于，字幕的开始和结束紧贴着说话的时间，没给观众留阅读的时间，越短的句子越吃亏。例如：

  • "Need more?" 只显示了 0.36 秒，算下来是 27.8 CPS；
  • "Fix it right there." 只显示了 0.6 秒，是 31.7 CPS。

利用停顿，超过一半的问题就解决了。 第 B 步把每条字幕的结束时间往后延，一直延到下一句开始前的静音里；和下一条之间保留 80 毫秒（25 帧/秒下约 2 帧）的间隔，每条最长仍不超过 7 秒。仅这一步，超过 17 CPS 的字幕就从 47 条降到了 20 条，一个字都没改。

合并相邻短字幕，又解决了剩下的大部分。 第 C 步把仍然超速的字幕和下一条合并，前提是合并后不超过 84 个字符、不超过 7 秒，而且合并后的文字要在标点处结束，避免字幕停在半句话上。

  • 一条只有 0.44 秒的 "Turn on" 片段，和它后半句 "detect speakers, and every line gets a speaker label." 重新合在一起，合并后是 15.7 CPS。
  • 超过 20 CPS 的字幕降到了 41 条里的 3 条。

剩下的只是很小的编辑工作。 要让剩下的每一条都降到 17 CPS 以内，总共只需删掉 2,399 个字符中的 40 个，约 1.7%；要降到 20 CPS，只需删 5 个。这一步需要人来判断：删一个口头禅，或者把 "Then take it out in the format you need" 缩成 "Then export it."

局限性。 这只是一段录音、一个声音，句子之间的停顿也很干净。真实对话停顿更少，会有人抢话，语速忽快忽慢，B、C 两步能帮的忙就小一些，精简文字就更重要。但顺序是普遍适用的：先调时间轴，再删字。

修正超速字幕的顺序

  1. 把结束时间延伸到静音里。 如果下一句不是紧接着开始，就让当前这条多停留一会儿。和下一条之间留约 2 帧的间隔，让观众看得出字幕换了。
  2. 遵守最短显示时长。 任何字幕都不应该显示不到约 5/6 秒，哪怕只有一个"好"字。
  3. 合并相邻的短字幕。 同一个人说的两句短话，合成一条两行字幕往往更好读。注意不要超出每行长度和时长的限制，也不要跨说话人合并。
  4. 最后才精简文字。 删掉口头禅（"那个""就是说"）、说了一半又改口的话和重复的词，保留意思、人名和数字。逐字稿或法律文稿不能这样删，但字幕是帮人阅读的，不是存档记录。
  5. 在合适的位置换行。 需要两行时，英文在标点后，或在连词、介词前换行。Netflix 的英文规范要求不要把冠词和名词拆开，也不要把名和姓拆开，并且倾向于"下长上短"的形状。

中文、日文和韩文

这几种文字的字符数计算方式不一样：

  • Netflix 简体中文规范：成人内容最高 9 CPS，每行 16 个字；
  • Netflix 日语规范：最高 4 CPS，每行 13 个全角字符。

如果用英文的 17 CPS 去检查中文，再拥挤的字幕也几乎都能过关。阈值应该按屏幕上显示的文字来选，而不是按视频的原始语言：一段中文视频的英文译文，就应该按英文标准检查。

在 ScribeToAny 里检查阅读速度

ScribeToAny 的转写稿编辑页有一个**"字幕校对"模式**，所有套餐都能用，包括免费版。在"阈值设置"里打开**"阅读速度与行长检查"**，每条字幕都会显示：

  • 它的 CPS：接近上限时标黄，超过时标红；
  • 每一行的字符数，超长的行会被标出；
  • 是否短于 5/6 秒或长于 7 秒，以及和上一条是否贴得太近。

默认阈值是保守的：

  • 拉丁字母文字：17 CPS、每行 42 个字符；
  • 中文、日文、韩文：9 CPS、每行 16 个字，根据屏幕上的文字自动切换。

两个数字都可以改，比如按 Netflix 成人英语标准改成 20 CPS。你可以直接修改开始和结束时间、拆分字幕或与下一条合并，也可以回滚到之前的版本；改完导出的 SRT 或 VTT 会沿用同样的时间轴。

要说清楚它不做什么：字幕校对模式只负责标出问题，不会自动帮你调整时间轴。 上面第 1 到第 4 步仍然需要你自己决定。这是有意为之：悄悄拉长或改写字幕的工具，是在替只有看着视频的人才能做的判断做决定。

如果你只是想修改一个现成的 SRT 文件，可以用免费的 SRT 编辑器，它在浏览器里运行，不用注册，但不带阅读速度检查。

相关文章：

资料来源

全部文章