上一篇那版能顺看的粗剪立住之后，可以开始上包装了。第一层为什么是字幕，而不是滤镜或转场？因为短视频里，字幕是观众获取信息的主通道：画面来不及看全、环境音吵听不清时，是字幕把话递到观众眼前。新手这时最容易犯的错，是点“新建文本”开始逐句敲字。这篇先把结论说透：先别敲，让剪映先“听写”一遍，你只负责改错和调样式。真正的功夫，在识别之后的两步——校对和样式。
先弄清识别字幕是什么：它读取时间线上的人声，把语音自动转成文字，再按每句话的实际时长，在字幕轨道上生成一条条字幕块。这一步同时解决了手打最难的三个问题。第一是对时间：字幕提前或滞后哪怕半秒，观众都会觉得“声画对不上”，比字丑更伤观感；识别把每条字幕的起止时间自动对准语音。第二是断句：识别按说话停顿切句，切出来的每块，正好接近“一次读得完”的阅读单元。第三是速度：有创作者实测过，同一段十分钟素材，识别加校对约 15–20 分钟，纯手打加校对要 70 分钟往上 3。整条路线是四站，如图：
识别字幕在哪：点两下，得到一条对齐好的轨道
手机版剪映：素材上轨后，点底部工具栏的“文本”，在面板里选“识别字幕”，按提示点“开始识别”；若弹出语言选项，选对人声的语言即可 1。电脑版（专业版）路径类似：顶部菜单“文本/文字”→“智能字幕”→“识别字幕”。进度条走完，时间线顶部就多出一条字幕轨道——正是第一篇认识过的那种可独立编辑的轨道，只是这回每条字幕块的长度，已经和对应那句话的语音时长严丝合缝，你基本不用亲手对时间。
两个提升成功率的小动作：背景音乐或环境噪声大时，先在音频轨道上选中人声片段做“提取人声”，再回来识别，正确率会明显更高 2；口音重、中英夹杂的视频要预期错字更多，校对时多留时间。另外，不同版本对识别功能的额度和入口规则会调整，一切以你当前版本的界面为准。
校对：识别只是草稿，这步才真正花时间
识别不是誊写。同音字、专有名词、口音、噪声都会让机器写错，而错字出现在成片里比没字幕更扎眼——观众会把它当成作者粗心的证据。所以识别完别急着导出，把每条字幕过一遍，重点盯三类：同音近音字（比如把“焯水”听成“超水”）；人名、地名、品牌、数字和英文缩写，机器对它们最没把握；还有语气词和口头禅——“然后”“就是”“嗯”“啊”这类字，字幕里可以直接删掉 1。要记住：字幕是给观众读的阅读文本，不是语音的逐字誊抄；删的是字幕上的字，声音一点不受影响。
改法对应三件事。改字：点字幕块，编辑框展开，直接改，确认保存 1。改断句：觉得某句太长、屏幕上堆了超过两行，就在语义气口处回车断行——竖屏每行六到十字、横屏十到十五字、一屏最多两行，是常见的经验值 5。对时间：选中字幕块，拖左右两端的白色菱形控制点，可分别改起点和终点；按住字幕块中间整体拖动，可平移整条字幕 1。
四个开关：把字幕从“默认”调到“不难看”
样式这关的目标只有一句：看得清、不抢画面。按顺序拧好四个开关。
字号。手机版字号滑块默认约 18，短视频常用 20–28，竖屏超过 30 左右就开始压人脸了 4。数值别死记，标准就两条：全屏预览时不眯眼能读，同时不遮住人脸。宁可小一点——观众读得清就行，满屏都是字反而显廉价。
位置。默认的底部居中是个好起点，但别贴边：竖屏短视频的底边常被平台的点赞、评论区按钮盖住，字幕下缘至少留出画面高度约 15% 的空白 5，上边同理别顶到屏幕。打开样式面板里的“安全区域”参考线，让字幕落在虚线内，就不会踩到各平台的按钮区 6。最后一条硬规矩：一整条片子只守一个位置，别忽左忽右；人物在画面中间说话时，可以把字幕整批移到左下或右下。
对比度。白字加深色描边，是几乎任何背景上都稳的通用组合 4。画面本身就花（白墙、天空、人群）时，光靠描边可能不够，就在样式里给字幕加一层半透明深色圆角底，可读性立刻兜底。字体选黑体类的无衬线字（默认字体或思源黑体都稳），一条片子里只守一款。正文字幕的功能是让字一秒被读出来，不是展示字形，花体留给片头标题就好。
动画与花字。花字、气泡、逐字打字机这类效果，只留给片头标题或想强调的一个词；逐句字幕不加动画，或最多加个很短的入场淡入——动画时长超过一秒，观众得先等字幕“演完”才开始读，句子短一点的字还没读完就切走了 7。每句字幕都表演一次，观众的注意力就被反复打断，画面反而没人看。四个开关都调好后，点“应用到全部”统一整批字幕 4，再单独微调需要强调的那一两条。
定稿前的一遍通看，顺序别反
识别、校对、样式都做完，导出前完整看一遍，顺序固定成三步。先开声音听一遍，眼睛跟着字幕走，抓错字和不同步——这步解决“对不对”；再静音通看画面，只盯字幕本身，看有没有压脸、贴边、堆成三行——这步解决“好不好看”；最后恢复声音完整过一遍，确认每条字幕出现和消失的时机都舒服。三步都过，字幕这层包装就收工了。下一步该处理声音了：音乐、音效和人声在时间线上怎么分层、谁大谁小，是下一篇的问题。