很多人手里只有一段录音：课程讲解、播客片段、小说推文旁白、手机采访音频，想把它做成能发到抖音、B 站、小红书或 YouTube Shorts 的字幕视频。这里最容易误解的一点是：录音本身没有画面，也没有字幕时间轴，不能只靠“上传音频”这一步直接变成完整成片。
更稳的流程是分开处理：先把录音通过专业的 录音转文字 工具生成文字和 SRT 字幕，再把录音做成带封面或波形的 MP4，最后把字幕放到视频里复查。VoiceIndex AI 可以处理前两段：语音转文字导出字幕，音频转视频生成封面/波形 MP4。最终是否烧录字幕，要看你用的平台或剪辑软件。
实操记录：同一段源音频要同时用于生成 SRT 和 MP4。如果先剪过音频再生成视频，字幕文件却来自旧音频，后面很容易出现几秒级漂移，靠手动拖字幕会很耗时间。
先判断你要的是哪种“字幕视频”
同样叫字幕视频，实际有两种交付物。第一种是“视频文件 + 单独 SRT 字幕”，适合上传到支持字幕文件的平台；第二种是“字幕已经压进画面的 MP4”，适合发短视频平台，观众不需要再打开字幕开关。
| 目标 | 你需要的文件 | 适合场景 |
|---|---|---|
| 视频 + SRT | MP4 视频、SRT 字幕文件 | YouTube、课程平台、资料归档，后续还能改字幕。 |
| 压字 MP4 | 一个已经带字幕画面的 MP4 | 抖音、快手、小红书、朋友圈，打开就能看字幕。 |
| 文字稿视频 | 音频、全文稿、封面图 | 不追求逐字同步，只想让观众看重点内容。 |
第一步：录音先转成文字，不要急着做视频
如果录音里有人名、数字、产品名、地名，先转文字再校对，比先生成视频再改字幕省很多时间。我的做法是先用 VoiceIndex AI 语音转文字上传录音，拿到初稿后重点改三类内容：人名和地名、金额和日期、英文缩写和专业词。
这一步不要只导出 TXT。如果后面要做字幕视频，最好导出 SRT 或 VTT，因为它们带时间轴。TXT 适合做文稿，SRT 才适合贴到视频上。
第二步：把录音做成有画面的视频
录音没有画面，最简单的做法是配一张封面图，再加一个波形动画。VoiceIndex AI 的音频转视频工具就是做这件事：上传 MP3、WAV 或 M4A，选择封面或背景，设置竖屏/横屏比例，生成 MP4。
如果你要发短视频平台，优先选竖屏 9:16；如果要放到课程、网站或 YouTube 横屏视频里，选 16:9。封面不要堆太多字，因为字幕还要放在画面下方，标题、人物头像、Logo 和字幕最好不要互相挡住。
实际顺序：先用录音生成 SRT，再用同一段录音生成 MP4。两个文件来自同一个音频，后面导入剪辑软件时更容易对齐。
实际发布时要提前留出字幕安全区：竖屏视频底部会被平台按钮、标题和评论入口占用，封面主体最好放在中上部。长音频导出 MP4 的耗时取决于浏览器和设备性能，如果录音超过几十分钟，建议先切成章节或短片段，确认比例、封面和波形样式后再批量处理。
第三步：把字幕放进视频里
如果你要的是“视频 + SRT”，这一步很简单：上传 MP4 时同时上传 SRT 字幕文件即可。如果你要的是“压字 MP4”，就把 MP4 和 SRT 导入剪映、CapCut、Premiere 或其他剪辑软件，让软件把字幕贴到画面上，再导出最终视频。
这里有一个细节：不要把整段文字一次性贴成大段字幕。录音字幕应该跟着说话节奏走，一条字幕控制在一到两行。短视频竖屏尤其要注意，字幕太低会被平台按钮挡住，太高又会挡封面主体。
第四步：发布前检查这几个位置
- 开头 10 秒：确认字幕没有太早出现，也没有盖住标题。
- 中间随机 3 处：检查字幕和声音是否同步，尤其是停顿后的第一句。
- 数字和人名：不要相信一次识别结果，发布前手动看一遍。
- 字幕安全区：竖屏视频底部要避开平台按钮和说明文字。
- 结尾：很多录音结尾音量变小，容易漏字或字幕提前结束。
什么时候不适合自动生成？
如果录音里有多人抢话、环境噪声很重、音乐盖过人声，自动字幕只能当初稿。还有一种情况是录音经过多次转发压缩，齿音和尾音都丢了，这时再好的工具也需要人工回听校对。
如果你要做商业发布，建议至少完整看一遍最终视频。字幕错一个数字、价格或人名，比普通错别字更影响观感。自动生成能省第一稿时间，但不能替代最后的发布检查。
我的推荐流程
只有一段录音时，我会这样做：先上传录音转文字，校对后下载 SRT；再用同一段录音生成封面/波形 MP4；最后把 MP4 和 SRT 放到剪辑软件或发布平台里检查同步。如果只是归档课程或播客，保留“MP4 + SRT”就够；如果要发短视频，再导出压字 MP4。
这个流程看起来比“一键生成”多一步，但可控性更好。字幕错了可以改 SRT，画面不满意可以换封面，比例不对可以重新导出视频，不需要每次从头开始。