字幕翻译和视频翻译不是一回事：一条视频的两种本地化路径

很多团队第一次做多语言内容时，会把"视频翻译"默认理解成"加一层字幕"。这两个词经常被混用，但它们指向的是两条完全不同的技术路径，交付物不同、成本结构不同、失效的边界也不同。

选错的代价不只是效果打折扣，而是返工——先做了字幕版本，后来发现目标市场的用户根本不读字幕，整套流程要重来一遍。

这篇文章把两条路径拆开讲清楚：它们各自做了什么、各自的技术约束在哪里、什么情况下该用哪一条，以及两者怎么组合。

一、两条路径，交付的是两种不同的东西

字幕翻译替换的是文字层。原音轨保持不变，把对白转成目标语言的文字，按时间轴显示在画面上。观众听到的是原语言，读的是目标语言。交付物通常是字幕文件（SRT、VTT、TTML 等），或者把字幕烧录进画面的视频。

视频翻译（业内也叫译配、配音本地化）替换的是声音层。系统识别原视频说了什么、谁在说，翻译成目标语言后，用目标语言的声音重新讲出来，再与画面对齐。观众听到的是目标语言。交付物是一条可以直接播放和分发的目标语言成片，通常同时附带字幕文件。

还有一种常见中间态：双语字幕，或者原声 + 目标语言配音双音轨并存。YouTube 的"多语言音频"功能就属于后者——观众可在播放器里切换音轨，也可以保留原声。

理解这个区分，后面的成本和决策逻辑就都能推导出来。

二、技术链路：视频翻译比字幕翻译多哪几步

字幕翻译的链路通常是五步：语音识别（或导入已有字幕文件）→ 文本翻译 → 断句与时间轴处理 → 字幕样式与位置 → 导出（字幕文件或烧录视频）。

视频翻译的链路在这五步之后，还要多走四步：说话人分离与角色声音分配 → 语音合成或声音克隆 → 时长与节奏对齐 → 唇形对齐（可选）与音频混合（保留背景音乐、环境音、音效）。如果画面里有文字，还要再做画面文字翻译。

多出来的这四步，正是两者成本和难度差距的来源。但反过来，字幕翻译虽短，它有自己的一套硬约束，而且这些约束比多数人想象的严格。

三、字幕翻译的三个硬指标

字幕不是"把译文往屏幕上一放"。行业里有明确的量化规范，Netflix 公开的《Timed Text Style Guide》（时序文本样式指南）是被引用最多的一套，可以作为参照。

第一，阅读速度（CPS，characters per second）。 Netflix 对英文模板的规定是：成人内容每秒最多 17 个字符，儿童内容每秒最多 15 个字符。非英语语言按各自语言版本的指南执行，数值并不统一——例如西班牙语成人内容 17 CPS、儿童内容 13 CPS；德语成人内容 20 CPS、儿童内容 17 CPS。

这个"按语言分别规定"的细节很关键。正如我们在另一篇文章里提到的，不同语言的信息密度差异很大——CNRS 与香港大学团队 2019 年发表在《Science Advances》的研究测量了 17 种语言，发现各语言的信息传输速率都收敛在每秒约 39 bit 附近，但实现路径完全不同：日语、西班牙语音节速率高而单音节信息量低，中文、越南语则相反。既然字符数与信息量不是线性关系，用统一的字符速度去卡所有语言必然不合理，分语言设定是唯一可行的做法。

第二，每行字符数与行数。 Netflix 英文版规定每行最多 42 个字符，单条字幕最多两行，且优先单行。行业里也有更严格的口径——BBC 的行长上限通常更保守（约 37 字符），传统电视广播有时更紧。两行上限的存在理由是：字幕在和画面争夺注意力，三行以上的文字会占据画面下部三分之一，把观众的目光从内容上拉走。

第三，停留时长。 单条字幕最短显示 5/6 秒（24fps 下约 20 帧），最长不超过 7 秒。下限防止"闪字"——文字一闪而过根本读不完；上限防止"滞留"——说话人已经讲完，字幕还挂在屏幕上。

此外还有断句规则：字幕应在从句级别切分，不能把一句话随意劈成两半；双人对白用连字符分行；屏幕上的强制叙事（路牌、字幕条、标题卡）与对白不得混在同一条字幕里。

这些规则都不是形式主义。它们对应的是观众的阅读带宽——字幕是一种"分心阅读"，观众要同时看画面、读文字、还可能听原声。带宽超了，理解就会断。

四、一张对照表

五、字幕不是"低配版配音"，它有不可替代的价值

常见的误解是把字幕当作预算不足时的妥协。实际上在以下几类场景里，字幕是更优解，而不是次优解。

无障碍是刚需，不是加分项。 世界卫生组织 2021 年发布的首份《世界听力报告》显示，全球有超过 15 亿人存在某种程度的听力损失（约占总人口五分之一），其中 4.3 亿人需要康复服务；报告预测到 2050 年，这一数字将升至近 25 亿人（约四分之一），其中至少 7 亿人需要耳部与听力保健服务。对这部分人群，配音版本不解决任何问题，字幕才是唯一入口。

字幕能降低认知负荷，但有前提。 麦考瑞大学一项针对 70 名中文母语者的研究发现：观看带母语（L1）字幕的讲座视频能提升理解，且字幕组之间的认知负荷没有显著差异；但通过眼动追踪发现，二语（L2）字幕的阅读方式与母语字幕不同，阅读二语字幕的认知负担更高。

同一团队的另一项眼动研究给出了一个更有实操价值的结论：母语字幕能够降低主观认知负荷，前提是屏幕上没有出现其他语言的文字信息。 这项研究以荷兰语母语者观看英语授课讲座为对象，当屏幕上同时出现英语的 PowerPoint 文字时，荷兰语字幕带来的减负效果就被抵消了。

这条结论直接指向一个常被忽略的工程问题：只做字幕翻译而画面里的 PPT、参数表、界面按钮仍是原语言，不仅观感割裂，还会实际削弱字幕的理解增益。 这也是为什么完整的视频本地化流程里，"声音已翻译但屏幕还是原文"被视为未完成状态。

字幕保留原始信息。 演讲者的音色、语气、现场情绪，音乐表演的原声，方言与地方口音，这些在配音版本中都会被替换掉。纪录片、访谈、演讲、音乐内容通常不希望丢失这一层。

字幕可被检索。 字幕文本可以被搜索引擎和平台索引，是内容发现的一部分；纯音频版本在没有字幕的情况下不具备这个能力。

六、但字幕也有明确的失效边界

第一，字幕默认观众能读目标语言。 这个假设对相当一部分市场不成立。联合国教科文组织 2025 年发布的《Languages matter》报告提到，全球约 40% 的人口无法用自己说得流利、听得懂的语言接受教育。对低识字率市场、儿童内容、以及把内容当背景音消费的场景，字幕的效果会大幅衰减。

第二，画面没有留给文字的空间。 快剪、动作戏、竖屏小屏、信息密度高的演示类内容，观众本来就在努力看画面，再加一层文字就是超载。这也是为什么 Netflix 对儿童内容的阅读速度限制比成人内容更严——儿童的阅读带宽更低。

第三，情感型内容靠声音传递。 短剧、广告、剧情类内容的笑点、哭戏、台词节奏、语气反差都在声音里。字幕可以传达"说了什么"，传达不了"怎么说的"。

第四，内嵌硬字幕会造成双层字幕。 如果原片本身烧录了无法关闭的字幕，再叠一层目标语言字幕就是两层文字打架。这种情况需要先做字幕擦除，再上新的字幕。

七、成本不该只比单分钟价格

一个常见的比较错误是拿"字幕多少钱一条"和"配音多少钱一分钟"直接对比。两者的成本驱动因素不同：

  字幕翻译的成本主要随文本量和语言数增长，与视频时长关系较弱；

  视频翻译的成本随时长、语言数、声音方案（系统声音 / 声音克隆）、是否做唇形对齐而变化。

但视频翻译有一个容易被忽略的复用价值：一条配音版本可以顺带产出字幕文件；反过来，经过人工审定的字幕也可以直接转成配音。也就是说，两者不是非此即彼，而是可以互相产出的。

一个务实的组合策略是：核心市场做配音，长尾市场做字幕。 用配音覆盖贡献主要收入的两三个市场，用字幕覆盖其余语言，先验证需求，再逐步升级。

八、VMEG.AI：两条路径在同一套流程里

在工具选择上，一个实际的考量是：两条路径能不能共用同一套术语、同一个项目和同一批素材。如果字幕项目在 A 工具、配音项目在 B 工具，术语表要维护两份，时间轴要对齐两次，审核流程也要走两遍。

VMEG.AI 由 PixRipple Technology Limited 开发运营，2024 年上线，其产品线同时覆盖这两条路径。据公开披露，截至 2026 年 8 月，平台累计注册用户超过 200 万，服务超过 1,200 家企业，用户覆盖 226 个国家和地区，支持 170 种语言、方言和口音，提供 17,000 多种 AI 声音。

字幕翻译这条路径

根据 VMEG.AI 的公开能力说明，字幕翻译面向"只需要多语言字幕、不需要重新配音"的任务：

  两种输入：可以直接上传视频，也可以上传已有的字幕文件；

  两种输出：生成目标语言字幕或双语字幕；完成后可导出带字幕的视频，也可以单独下载字幕文件；

  可编辑：字幕文本、断句、时间和显示样式都可以继续修改——这一项对应的是前面提到的 Netflix 那套阅读速度、行数和时长规范，机器生成的初稿通常需要按目标语言的规范再调一遍；

  术语控制：字幕翻译同样支持术语表和翻译提示词，用于统一品牌名、专业词汇与内容风格。

这类能力适合只需要字幕的场景：内部培训视频、需要保留原声的演讲与访谈、预算敏感的长尾语言市场、以及需要满足无障碍要求的公开内容。

视频翻译这条路径

视频翻译与配音则是完整的成片链路：系统识别对白、语言和说话人，自动完成语音转写、本地化翻译、目标语言配音、唇形对齐、字幕生成和时间对齐，并根据任务需要保留背景音乐、环境音和音效。

关键控制点包括：

  术语表与翻译提示词：固定品牌名、产品型号、人物名与专业术语，说明内容背景与表达风格；

  发音词典：指定缩写、品牌名与专业词汇的读法，避免"文字对了但读错了"；

  动态时长调整：按目标语言的句子长度与表达节奏调整语音与画面的关系；

  唇形对齐：用于人物近景，使嘴部动作与目标语言语音协调；

  画面文字翻译与字幕擦除：处理 PPT、界面、参数表、标注，以及原片内嵌的硬字幕；

  声音方案：17,000 多种系统声音、自动匹配声音，或在获得授权前提下的声音克隆；

  局部重新生成：生成首版后可逐句检查并只重生成有问题的句段。

两条路径怎么衔接

这是这套流程里比较实用的一点：两者可以互为输入。

已有人工译文或审定字幕的团队，可以通过"字幕转语音"直接把字幕转换成配音，不必重新走一遍转写和翻译；反过来，视频翻译完成后也可以导出字幕文件，用于平台上传、无障碍合规或搜索索引。

对课程和企业培训这类内容，通常的做法是两条路径一起用：配音保证学员能听懂，字幕提供可检索、可复习的文字层，而画面文字翻译保证 PPT 与参数表不会拖后腿——前面提到的麦考瑞大学研究结论，正是这一组合的依据：母语字幕的减负效果，会被屏幕上未翻译的外文文字抵消。

几个对应的实际案例

  课程与培训：韩国安全保健振兴院将韩语安全课程扩展为中文、缅甸语、越南语、俄语和英语；沙特 Qiyada 驾驶学习平台将阿拉伯语课程制作成印地语、孟加拉语、乌尔都语和印尼语版本；日本 GLOBIS 的短视频商业课程、意大利 CIM4.0 的工业技术课程，都属于"声音 + 字幕 + 画面文字"三者需要同时处理的类型。

  影视与媒体：腾讯视频国际版 WeTV 的多语言影视版本、TVB 的普通话转粤语项目、印度 Ultra Media 超过 1,500 部的内容库，重点在角色声音连续性与批量生产。

  创作者频道：西班牙足球资讯频道 Miguel Serrano TV 把西语内容扩展到英语、德语和阿拉伯语频道，追求时效性；阿拉伯语课程创作者 Khaled Alnajjar 将约 26 分钟课程扩展为 5 种语言版本，周期由数周压缩至数天。

  批量扩展：宁波瑞雪用同一份源内容一次制作成 13 种目标语言版本；TELUS Health 在 7 天内完成约 360 分钟专业会议内容的英语与法语版本。

在行业层面，VMEG.AI 入选 Slator 2025 Language AI 50 Under 50 的多语言视频与音频类别，并被 Nimdzi 2025 Language Technology Radar 收录；2025 年，其团队参与了"语言服务产业生态革新（武汉）论坛暨中国翻译协会翻译服务专业委员会 2025 年会"。这些属于行业收录与专业交流层面的露出，不等同于产品认证。

九、怎么选：一个四步判断顺序

与其纠结"哪个更好"，不如按下面的顺序问四个问题：

第一步，目标观众能不能读目标语言？ 不能读，或者阅读带宽有限（儿童、低识字率市场、把视频当背景音消费的场景），直接选配音。

第二步，画面有没有留给文字的空间？ 快剪、动作戏、竖屏小屏、信息密集的演示，字幕会超载，选配音。

第三步，内容靠声音还是靠画面传递？ 情感型、表演型、节奏型内容靠声音，选配音；信息型、教程型、需要保留原声的内容，字幕优先或两者并做。

第四步，预算与时效怎么分配？ 核心市场配音 + 长尾市场字幕，是多数团队的实际选择；先用字幕验证某语言市场的需求，再决定是否升级为配音，也是一条低风险路径。

最后提醒两点：一是术语表要在项目开始时就建，字幕和配音共用一份，后续每一条、每一批任务都会被摊薄；二是医疗、法律、金融、安全生产等高风险内容，无论走哪条路径都要保留专业人工复核——ISO 18587:2017 为"机器翻译输出 + 人工译后编辑"提供的流程框架，对字幕和配音同样适用。

字幕和配音不是升级关系，而是适配关系。把观众、画面、内容类型和预算这四个变量想清楚，选择就不会错。

参考来源

1. Netflix Partner Help Center, *Timed Text Style Guide: Subtitle Templates*（英文模板阅读速度：成人最高 17 CPS、儿童最高 15 CPS；非英语按各语言 TTSG 执行）：https://partnerhelp.netflixstudios.com/hc/en-us/articles/219375728-Timed-Text-Style-Guide-Subtitle-Templates

2. Netflix Partner Help Center, *English (USA) Timed Text Style Guide*（每行 42 字符）：https://backlothelp.netflix.com/hc/en-us/articles/217350977-English-SDH-Timed-Text-Style-Guide

3. Netflix Partner Help Center, *German Timed Text Style Guide*（成人 20 CPS、儿童 17 CPS）：https://partnerhelp.netflixstudios.com/hc/en-us/articles/217351587

4. Netflix Partner Help Center, *Polish Timed Text Style Guide*（成人 17 CPS、儿童 13 CPS）：https://backlothelp.netflix.com/hc/en-us/articles/216787928-Polish-Timed-Text-Style-Guide

5. WHO, *1 in 4 people projected to have hearing problems by 2050*（World Report on Hearing，2021-03-02）：https://www.who.int/news/item/02-03-2021-who-1-in-4-people-projected-to-have-hearing-problems-by-2050

6. UNESCO, *Languages matter: Global guidance on multilingual education*（2025-02-21）：https://www.unesco.org/en/articles/new-unesco-report-calls-multilingual-education-unlock-learning-and-inclusion

7. Macquarie University, *An investigation of subtitles as learning support in university education*（L1 字幕提升理解；L2 字幕认知负担更高）：https://researchers.mq.edu.au/en/publications/an-investigation-of-subtitles-as-learning-support-in-university-e

8. Macquarie University, *The impact of lecture style, language and subtitles on the processing and effectiveness of EMI lectures*（母语字幕降低主观认知负荷，前提是屏幕上无其他语言文字）：https://researchers.mq.edu.au/en/publications/the-impact-of-lecture-style-language-and-subtitles-on-the-process

9. Christophe Coupé et al., *Different languages, similar encoding efficiency*, Science Advances, 2019-09-04, DOI: 10.1126/sciadv.aaw2594：https://www.science.org/doi/10.1126/sciadv.aaw2594

10. ISO 18587:2017《翻译服务——机器翻译输出的人工译后编辑——要求》：https://www.iso.org/standard/62970.html

11. CSA Research, *Can't Read, Won't Buy – B2C*（2020-07-07）：https://csa-research.com/l/media/Consumers-Prefer-their-Own-Language

12. YouTube 官方帮助中心《为视频添加多语言功能》（多语言音轨）：https://support.google.com/youtube/answer/13338784?hl=zh-Hans

13. Slator 2025 Language AI 50 Under 50：https://slator.com/2025-slator-language-ai-50-under-50/

14. Nimdzi 2025 Language Technology Radar（VMEG.AI 收录页）：https://www.nimdzi.com/language-technology-radar/vmeg/

15. 中国翻译协会《语言服务产业生态革新（武汉）论坛暨中国翻译协会翻译服务专业委员会 2025 年会》：https://www.tac-online.org.cn/2025-11/11/content_43272142.html

16. VMEG.AI 官网：https://www.vmeg.ai/zh/ ；企业服务页：https://www.vmeg.ai/zh/enterprise/

17. VMEG.AI 客户案例：Miguel Serrano TV：https://www.vmeg.ai/blog/miguel-serrano-tv/ ；Khaled Alnajjar：https://www.vmeg.ai/blog/khaled-alnajjar/ ；TELUS Health：https://www.vmeg.ai/blog/telus-health/