给 Opus 5.5 视频项目加配音和字幕：按实测时长对齐旁白与句子字幕

要给 Opus 5.5 视频加配音和字幕，就要把音频时间当作项目数据来处理。 先制作或录制旁白，测量时长，把每句话映射到时间线上，然后一起渲染音频和字幕。只让模型“把字幕对上”而不给它实际的时间数据，是不够的。

本教程使用与我们 产品演示教程 相同的真实截图项目。你可以直接从可下载文件开始，不必先读完那篇文章。本文的目标是一个带旁白的 30 秒 MP4，配有清晰可读的句子字幕、一份可编辑的时间数据源和一个独立的 SRT——而不是一组新的提示词，也不是未经验证的自动配音承诺。

观看并检查音频示例

Remotion 实际导出文件，使用英文合成参考语音。这个声音有意只作为对时工具，不代表专业旁白品质。字幕按整句显示，并留有阅读停留时间。

下载 完整项目、带旁白的 MP4、参考 WAV 和 英文 SRT。五个语种的文章共用这个英文示例；我们并不把它当作五个本地化配音作品。

实际的模型调用是在官方 Claude Code 中使用 claude-opus-5-5 生成 Remotion 代码。它收到的是文件名和文字形式的场景说明，而不是图片像素或录音。随后我们提供了真实的原始截图，用 eSpeak NG 生成参考语音，修正代码并在本地渲染。这种分工是本教程的核心：Opus 写代码；语音引擎生成音频；Remotion 输出最终文件。

选择合适的对时工作流

常见的起点有两种。如果脚本和场景时长还能调整，先录制或合成已确认的配音，再让画面配合它的节奏。如果视频必须放进已确定的 30 秒时长，就先定义场景窗口，把放不自然的句子改短。

本例走的是第二条路线。它有五个现成场景和五个短句。每段音频必须落在分配给它的字幕窗口内；参考音频脚本会拒绝超出结束时间的片段。这项检查能在渲染前就发现一类真实存在的同步错误。

Remotion 的 字幕文档 介绍了字幕的导入、显示和导出。本项目有意使用一个小型 JSON 句子时间表，让时间一目了然、便于审核。它不运行自动转写或强制对齐。

先用提供的声音，再替换成你的配音

运行项目前先安装 Node.js 和 npm。下文可选的终端媒体检查还需要另行 安装 FFmpeg（包括 ffprobe）；npm ci 不会安装这个命令行工具。不使用这些可选检查命令，也可以通过项目自带的 npm 脚本完成渲染。

解压压缩包，在根目录运行项目：

npm ci
npm start

选择 DemoNarrated。压缩包中已包含 public/narration.wav，所以渲染时不需要安装语音引擎，也不需要购买配音服务。检查开头附近的第一句、13 秒左右的文档句，以及 27 秒附近的最后一句。

带 WAV 音轨的真实项目预览。可见的波形只能证明项目中有音频，不能说明发音质量或逐词对齐。

如需复现参考语音，请按照你所用系统的官方说明安装 eSpeak NG，然后运行：

python3 scripts/make_audio.py
npm run render:narrated

我们使用的是 eSpeak NG 1.52.0、en-us 语音，语速设置为每分钟 190 词。这种基于共振峰的声音有意听起来是合成的，适合在确定最终旁白前测试时间线；这个数字只是工具设置，不保证每句话的语速完全一致。

正式投放时，请使用你有权发布的录音或语音输出。仔细听产品名、缩写、标点处的停顿以及每句话的最后一个词。文字稿正确并不能说明声音是否自然。本文的实测检查针对的是时长、位置和可见字幕，不是对发音或表现的人工评审。

WAV、字幕和 SRT 共用一份时间表

打开 scripts/make_audio.py。其中的 LINES 数组是参考数据源：每一项包含开始时间、字幕结束时间和文本。运行脚本会生成 30 秒的 WAV、src/captions.json、public/captions.en.srt 和 audio-timing.json。合成直接导入生成的 JSON，避免在视频代码里再维护第二份手动编辑的字幕列表。

下表中的句子保留英文原文，因为它们正是各语种文章共用的英文音轨里实际说出的内容；括号内的中文仅为释义，方便理解。实测的参考片段如下：

这些时长包含生成片段末尾的尾随采样，并不是对单个音素的测量。字幕有意在语音结束后继续显示；文档那一句在 WAV 片段结束后还有约 2.53 秒的额外阅读时间。如果你想让字幕更紧凑，请在检查实际旁白后缩短这段停留。

脚本会在每段前后填充静音，并把音频放在表中列出的绝对开始时间。它不会为了塞进窗口而加快过长的句子。如果修改后的句子放不下，脚本会明确报错，提示你在渲染前缩短句子或调整结束时间。

连续的替换录音需要不同的准备步骤。导出一个完整时长的 public/narration.wav，然后编辑 src/captions.json 和 SRT，使其与实际录音匹配。之后不要再运行 make_audio.py，除非你打算用参考语音覆盖那份录音。把原始录音和生成的示例分别保存为不同的版本。

小心地把秒换算成帧

合成以 30 fps 运行。11.35 秒的字幕落在两个视频帧之间。最终代码用 Math.floor(start * fps) 计算第一个可见帧，因此这句话出现在第 340 帧，约 11.333 秒——略早于语音开始。它没有入场淡入，不会遮住第一个说出的词；在最后六帧有一个短暂的淡出。

const first = Math.floor(caption.start * fps);
const last = Math.round(caption.end * fps);
const visible = frame >= first && frame < last;

这段代码说明的是最终的可见性规则；完整组件还设置了文本排版和结尾淡出。帧取整是正常现象。不要根据 30 fps 的画面时间线宣称音频达到了采样级对齐。

所提供的 Remotion 4.0.424 项目从 remotion 导入 Audio，并用 staticFile 解析 WAV。当前 Remotion 文档把这个较旧的 HTML5 组件称为 Html5Audio，并建议在新的音频集成中使用更新的媒体组件。复现本压缩包时请保持其固定版本；不要把当前文档中的 API 变化和一次未加说明的包升级混在一起。

让字幕清晰可读，又不隐藏文字

横屏合成为字幕提供了一条与截图分开的深色色带。在文档和 API 场景中，场景标题位于左侧，句子字幕位于右侧。竖屏版把图片和字幕垂直堆叠；其布局参数见 竖屏视频教程。

我们的英文字幕在横屏中使用 28 像素文字，在竖屏中使用 30 像素。这些是本项目的取值，不是社交平台的通用规则。所选的句子长度能放进已检查过的布局，更长的译文则未必。

模型最初的代码用 CSS 行数截断（line-clamping）把文字限制在两行内。我们删除了这条规则，因为编辑后它可能悄悄隐藏第三行。字幕过长时，正确的修法是拆分或改写句子、扩大空间或调整布局——而不是让缺失的文字变得不可见。

修改文字时，按预期的显示尺寸检查第一条、最长一条和最后一条字幕。系统字体回退可能改变换行；压缩包不保证在每个操作系统上排版完全一致。如果需要固定的品牌字体，请打包一款授权合适的字体，在渲染前加载，并重复上述检查。

让 Opus 做有边界的时间修改

测量完你自己的配音后，这个改编提示词会很有用。请用真实时间替换占位符；它不是一次额外的模型测试。

只更新现有的 DemoNarrated 合成。
保留已确认的截图、30 fps 和当前的场景顺序。
替换后的旁白为 public/narration.wav。
以下是实测的句子区间（单位：秒）：
[粘贴开始时间、结束时间和准确的口播文本]

只使用一个字幕数据源。保留每一个说出的词。
每句字幕在第一个词说出之前或同时出现；说明帧取整方式。
不要虚构逐词时间戳或自动转写结果。
只在我明确给出的位置保留阅读停留时间。
不要用行数截断（line-clamping）隐藏溢出文字。
如果某句跨越了场景切点，请指出，而不是悄悄截断音频。
返回修改过的文件、时间假设和需要检查的帧。

修改后，先把文字与旁白对照，再核查画面。如果某句在描述 API 页面，而画面上还是模型目录，那么两个文件各自都可能没问题，合在一起的故事却是错的。请修正共享的场景时间表或录音；仅调整字幕偏移，无法修复旁白与画面不匹配的问题。

导出并诊断实际文件

npm run render:narrated
ffprobe -v error -show_entries stream=codec_name,codec_type,duration,sample_rate \
  -show_entries format=duration -of json out/narrated.mp4

渲染出的示例包含一条 H.264 视频流和一条 AAC 音频流。视频时间线为 30 秒；由于编码器填充，压缩音频报告的流/容器时长可能略有不同。我们的参考 WAV 正好 30 秒。请检查可听内容和同步情况，不要把 AAC 末尾的少量多余时长误判为场景时长错误。

交付前，开着声音完整播放导出文件，检查每句的开始和结束，并检查上传到发布平台后的版本。烧录字幕始终存在于画面像素中；独立的 SRT 则取决于平台是否支持并启用。本例两者都提供，但不声称其中任何一种已上传到社交渠道。

把音频工作与模型访问分开看

Opus 5.5 模型条目 标明了与这个编码工作流相关的模型。本例不能证明 Ofox 提供 TTS，也不能说明视频渲染的计费方式；其记录的模型调用使用的是官方 Claude Code，音频是在本地生成的。

整体制作流程请看 Opus 视频主指南，素材选择请看 截图演示教程，发布到移动优先的格式之前请看 竖屏改编教程。可靠的交付物应包括最终 MP4、WAV、匹配的字幕文件，以及生成它们的确切项目版本。