视频刚上传，机器很快吐出一整屏字幕。时间码有了，句子也有了，看上去像是已经完工。可真点开播放，人名一会儿一个写法，两个人抢着说话时漏掉半句，画面里笑声一片，字幕却安静得像什么也没发生。看到这里，很容易冒出一个疑问：既然机器能生成字幕，人工到底还在忙什么？
机器先把空白变成一份可改的底稿。人工接手后，不用每个字重新打一遍，精力留给机器难判断、又会直接影响观看的部分。改多少也没有统一答案。自己临时看懂一段采访，和准备公开课程、影视作品或无障碍视频，交付标准本来就不同。
先确认机器到底听成了什么
自动字幕会受发音、口音、方言和背景噪声影响。多人重叠说话、声音质量差或一句话里混用多种语言，也可能让结果缺失。YouTube 的自动字幕说明明确提醒创作者检查并修改自动结果，没有把“已经生成”当成“已经准确”。
人工听校时，注意力通常会落在那些一错就把意思带跑的词上：人名、地名、数字、专业词和否定词。机器写出的普通词即使顺口，也可能只是根据声音拼出的近似答案。画面上的人物、标题和前后对白能帮人判断，单看一行文字却未必看得出来。
有些位置听不清，人工也不该凭感觉补成一句完整的话。保留待确认标记、回到更清楚的音轨，或者请熟悉内容的人核对，都比编出一个“看着很通顺”的版本靠谱。字幕能读，不代表原话已经听对。
翻成中文以后，还要看这句话是谁说给谁听
识别解决的是“声音里说了什么”，翻译处理的是“换成中文怎么表达”。这两步可以连续跑完，但判断没有因此消失。同一个称呼放在同事、家人和陌生人之间，中文语气会不同；前一句省掉的对象，也可能要靠剧情和画面才能补回。
麻烦的是，机器译文往往很顺。语法没问题，读起来也像中文，可人物关系、前后指代或笑点已经变了。人工对照原声和上下文，把意思拉回同一条线上，不用把每句都写得更漂亮。拿不准时宁可保守一些，也别为了口语化加出原文没有的情绪。
名字和固定说法还要统一。前十分钟叫“管理部”，后面忽然变成“运营处”，观众可能以为是两个部门。自动生成常按眼前一句处理，人工则要记住前面已经怎么写，并在整段内容里保持一致。
时间码能用，还得看人来不来得及读
字幕有时间码，并不代表每一句都适合观看。太早出现会提前泄露下一句，太晚出现会让人追着台词跑；一句话切成奇怪的两半，也会让视线来回跳。YouTube 的字幕编辑帮助把文字和时间分开提供修改入口，说明自动结果留下的工作不只改错别字。
真正播放时，几种别扭很快就会冒出来：人已经开口，字幕还没到；话说完了，上一句仍挂着；镜头切走，旧台词还压在新画面上。这里没有一组能套遍所有平台的秒数。最终发布到哪里，就按那个平台的规范和真实播放效果判断。
分行也一样。字幕软件可以按字数切开，却不知道某个短语拆开后会不会难读。人会尽量让一行保留完整意思，同时避开画面中已经出现的重要文字。改动不必追求每行一样长，读起来顺、看得清更重要。
只写对白，可能还缺了声音里的信息
如果字幕要服务听障观众，工作范围会更大。W3C 的字幕说明把字幕定义为语音和理解内容所需的非语音声音信息，并要求文字与音频同步。谁在画外说话、门铃何时响起、众人为什么突然笑，这些信息有时也得写出来。
机器可能认出对白，却不知道哪一声响动推动了剧情。人工要判断哪些声音确实影响理解，再补上说话人和必要的声音提示。背景音乐从头响到尾，不代表每一秒都要写“音乐声”；突然停电前的一声爆响，却可能不能漏。
人工要改到什么程度，看字幕拿去做什么
自己临时看一段视频，可以先修人名、数字和关键结论，个别分行不够漂亮也不耽误理解。发给团队内部参考，最好再统一术语，并把听不清的位置标出来。准备公开发布，就该完整看完，检查文字、翻译、时间和实际播放。用于无障碍内容时，还要核对说话人和重要声音。
自动字幕省掉了大量从零起步的听写工作，人工把结果改到交付要求。问服务商“有没有人工”时，别只听一个“有”字。继续问清楚：人工是抽查几处、逐句听校、修改翻译，还是连时间和声音提示也处理。每一项写进交付说明，再比较价格。
如果只是今晚想看懂，先修会误导你的地方就够了。要把字幕交给别人长期使用，就别停在“文件已经生成”。把视频真正播一遍，人要做的工作通常会自己露出来。