如何將音訊和影片翻譯成另一種語言（含雙語字幕）

最後驗證於 2026-06-24。Vocova 專屬的限制（支援語言數量、Plus / Pro 功能）皆符合該日期的現行產品設定——若此處的某個數字與應用程式顯示的不符，請以應用程式為準。

翻譯一段錄音其實是兩件工作，而非一件。第一件是取得原始語言的精準逐字稿——也就是辨識環節，它有自己關於語言偵測與語碼轉換的決策，已在如何轉錄多語言音訊中說明。本指南談的是第二環節：把那份原始逐字稿轉成正確的翻譯成品，並讓成果在螢幕上與頁面上真正派得上用場。

以下一切都受一條規則支配：從審閱過的原始逐字稿翻譯，絕不要直接從原始音訊翻譯。 翻譯會忠實保留逐字稿所說的一切——連同它的錯誤——所以聽錯的人名或數字不只是維持錯誤，還會被翻錯，而且是錯成兩種語言而非一種。從這裡開始，假設你已經有一份乾淨、附時間戳的原始稿。真正值得思考的決策都在於輸出：

• 你真正需要哪種成品——譯文文字、雙語逐字稿、翻譯字幕、雙語字幕，還是配音。
• 譯文在原話所花的時間內，實際上是否塞得進螢幕。
• 在整份檔案中維持人名與術語一致。
• 一次處理多種語言，而非重複相同的工作。

Vocova 在同一個地方處理轉錄與翻譯，可譯成 140+ 種目標語言，因此時間戳與說話者標籤能從音訊一路保留到翻譯後的 .srt。音訊請從翻譯音訊開始，字幕請用翻譯影片，當兩種語言要同時出現在螢幕上時則用雙語字幕。

審閱過的原始稿決定了一切上限——然後就忘了它

你無法靠翻譯來彌補一份糟糕的逐字稿。如果原始稿有 20% 的字詞錯誤率，沒有任何翻譯步驟能挽回辨識所遺失的意義；它只會產生流暢、自信卻錯誤的目標語言文字。所以請先修正原始稿——尤其是人名、數字與領域術語——並依靠上述的辨識指南以及各語言的轉錄準確度，在翻譯前先了解每種語言實際能交出什麼樣的成果。

這是本指南最後一次著墨於原始稿。從這裡開始的一切都假設它已經乾淨，並且都聚焦在翻譯本身。

選對成品，而不只是選對語言

「把這支影片翻譯一下」這句話藏著五種不同的輸出。選錯就得重新匯出——更糟的是，把錯誤的格式交給了某個受眾。

成品	它是什麼	最適合用於	要注意的地方
譯文文字	一份只含目標語言的乾淨文件	報告、文章、分享給單一語言的受眾	失去時間資訊；不適用於影片
雙語逐字稿	原文與譯文逐行對照	審閱、品管、研究引用、語言學習	要校對的文字量加倍
翻譯字幕	只含目標語言的 .srt / .vtt	將影片發布給單一語言社群	文字膨脹可能撐爆時間（見下文）
雙語字幕	兩種語言疊在同一個字幕格、共用一個時間戳	教學、語言學習、混合或全球受眾	每個字幕格有兩行文字——每行都要短
配音 / 對嘴配音	蓋在原音上的目標語言口說音軌	觀眾不會去讀字幕的說明影片與廣告	最難對上時間；通常需要人工處理一遍

對多數團隊而言，誠實的預設選擇是：單一市場用翻譯字幕，當審閱者、學習者或多語言團隊需要同時看到兩種語言時用雙語字幕。雙語字幕與翻譯影片會直接產生字幕檔；雙語逐字稿匯出則涵蓋文件與研究用途。

為什麼不乾脆用平台的自動翻譯？

YouTube 與多數影片平台都提供一鍵自動翻譯字幕。若只是私下看懂一段片段，它們沒問題。但對於任何你要發布的內容，它們有三個結構性問題：

• 它們翻譯的是有瑕疵的字幕，而非審閱過的原始稿。 自動產生的字幕本身已包含辨識錯誤；自動翻譯接著把那些錯誤一併翻出，中間沒有任何審閱步驟。
• 無法掌控術語或時間。 你無法修正翻錯的產品名稱、無法強制統一某個術語，也無法壓縮一行撐爆時間的文字——平台產出什麼你就只能拿什麼。
• 檔案不屬於你。 字幕留在那個平台上；你無法把一份審閱過的 .srt 重複用在 YouTube、自家網站、學習管理系統與客戶交付物上。

專屬的工作流程把這三點全部反轉：先審閱原始稿、掌控術語與時間，並匯出一份你自己擁有的可攜式字幕檔。要快速私下了解大意就用自動翻譯；任何掛著你名號的內容，就用審閱過的翻譯。

方向、樞紐語言，以及會改變版面的文字系統

關於目標語言，有兩件事比那個「140+ 種語言」的原始數字更重要。

英文是最強的樞紐語言。 翻譯進入或翻出英文通常是最精準的方向，因為模型訓練時英文配對的資料量最大。一個西班牙文 → 日文的工作，若你把英文當成審閱時的參照基準，成果往往更乾淨。品質也會依各語言可用資料量的多寡而分級——各語言的轉錄準確度裡有分級清單。

某些目標文字系統改變的是版面，而不只是文字——這正是翻譯影片悄悄出問題的地方：

• 由右至左（阿拉伯文、希伯來文、波斯文、烏爾都文）： 文字方向會翻轉。嵌在一行 RTL 文字中的數字、拉丁字母品牌名稱與標點，都需要正確的雙向處理，而且字幕應該靠右對齊。播放器若把 RTL 渲染得很差，會把一個正確的翻譯變成一團亂。
• 中日韓（中文、日文、韓文）： 這些不適用 42 個拉丁字元的單行規則。它們有自己每行的字元上限與斷行規則（無法像拉丁文字那樣在字詞中間斷開），而且相對於英文通常會收縮而非膨脹。
• 泰文與其他沒有空格的文字系統： 斷行取決於詞語切分，而非空格——天真的自動換行會產生斷錯的行。

如果你的目標語言是其中之一，請預留時間在實際播放器中檢查渲染，而不只是檢查文字。

字幕翻譯是另一門手藝：膨脹、閱讀速度、改寫

這一部分區分出「讀得下去」的翻譯與「一閃而過、根本看不清」的翻譯。一句翻譯字幕必須在原話所花的相同時間內依然清晰可讀——而多數語言翻出來的長度並不相同。

文字膨脹是核心問題

譯文文字很少與原文長度相符。相對於英文的典型變化（在地化的經驗法則——當作範圍而非保證）：

目標語言族系	相對於英文的典型長度	對字幕的影響
德文	+10% 到 +35%	經常撐爆；預期需要壓縮
羅曼語族（西班牙文、法文、義大利文、葡萄牙文）	+15% 到 +30%	在語速快時常常撐爆
阿拉伯文	+20% 到 +25%	既膨脹又翻轉方向
中文、日文、韓文	−10% 到 −30%（收縮）	容易塞得進，但要遵守每行字元上限

當一句翻譯文字對它的時間區段而言太長時，你要壓縮用詞——絕不要把字幕格延伸到下一格之後，因為那會讓檔案其餘部分失去同步。壓縮（去掉贅詞、在保留意義的同時收緊措辭）是一項真正的字幕製作技能；這也是為什麼人工處理一遍對字幕而言比對純文件更重要。

閱讀速度與行數限制

以下是廣播／串流業界廣泛採用的規範（見文末連結的 BBC 與 Netflix 準則）：

• 閱讀速度： 成人受眾請讓字幕格維持在大約每秒 17 個字元以下；兒童內容與快速剪接的內容則應更低。
• 行長： 拉丁文字約每行 42 個字元，每個字幕格最多兩行。中日韓使用自己的字元計數（常見為每行約 13–16 個全形字元）。
• 最短／最長持續時間： 極短的一閃而過（遠少於一秒）與極長的停留都會損害可讀性。

雙語字幕會在單一字幕格中把原文疊在譯文上方，共用一個時間戳。由於兩行共用同一個字幕格，請讓每一行都保持精簡——兩種語言各兩行的長文字，是最快衝破閱讀速度上限的做法。

至於容器本身——何時該選 .srt 還是 .vtt——請見 SRT vs VTT 與字幕檔案格式完整指南。翻譯審閱完成後，再用 SRT 產生器或 VTT 產生器產生檔案。

在整份翻譯中維持人名與術語一致

最不易察覺的翻譯失誤不是某個錯誤的句子——而是同一個術語在一份檔案裡被翻成三種不同說法。AI 翻譯是逐段進行的，所以產品名稱、職稱或某個術語可能在不同字幕格之間漂移，尤其是在一段長錄音中，或當多位說話者用不同方式說它時。

發布前，先鎖定一份小小的詞彙表：

• 專有名詞——人物、公司、產品、地點——通常應該保留原文形式，或採用一個約定好的譯法，每次都一致。
• 領域術語與縮寫——選定一個目標語言的對應說法並一致使用；別讓模型交替變換。
• 語氣與語體——正式與非正式的「你」（tú/usted、du/Sie、你/您）在整篇中應該是一個選擇，並配合受眾。

並排的雙語檢視能讓這件事變快：在譯文欄位掃描該術語，修正每一處，而時間戳完全不會移動。這道一致性檢查的成本很低，卻是「機器翻譯」與「在地化」之間的差別。

一次把一支影片在地化成多種語言，而不重做工作

翻譯中最大的效率優勢在於：昂貴的工作只做一次。 你只審閱原始逐字稿一次；每種目標語言都從那份乾淨的原稿分支出去。這與把一支影片從頭翻五遍恰恰相反。

一個務實的多語言工作——一支 90 秒的產品影片要進入五個市場：

1. 轉錄並審閱原始稿一次（約 10 分鐘）。 在原文中修正人名、產品術語與數字。這是唯一與語言無關的人工步驟。
2. 從那份原始稿翻譯成全部五種目標語言（總共幾分鐘）。 每一種都繼承相同的時間戳，因此五份字幕檔全都與影片保持同步。
3. 逐語言做一次適配檢查，最長的語言優先。 德文與羅曼語族會有一兩個字幕格撐爆——把那些壓縮掉。中日韓目標通常只需要檢查斷行。
4. 每種語言匯出一份 .srt（若某個市場想要兩種語言，再加一份雙語檔）。

總計：大部分時間花在那一次原始稿審閱，加上每種語言一段簡短的壓縮檢查——而不是五次完整的翻譯。把審閱過的原始稿當作權威版本；若腳本有變更，你就從更新後的原始稿重新翻譯，而不是手動編輯五份檔案。

何時該保留人工把關

對於許多例行工作，AI 翻譯可以直接發布；至於其餘的工作則需要人工處理一遍。一個簡單的判斷方法：

情境	通常只用 AI 即可	需要人工處理一遍
內部筆記、會議摘要、大意、草稿字幕	✓
高資源語言配對（英文 ↔ 西班牙文／法文／德文／葡萄牙文）	✓（輕度審閱）
行銷、品牌或面向公眾的影片		✓
法律、醫療、法規或已發表的研究		✓
低資源目標語言		✓
配音／對嘴配音（時間 + 演繹）		✓

模式是：風險越低、語言配對資源越高，只用 AI 就越安全。拿不定主意時，就交付一份雙語版本，讓流利的審閱者能快速與原文比對。

翻譯影片發布前檢查清單

• 翻譯前已審閱原始逐字稿（人名、數字、術語）。
• 已選對成品（翻譯字幕 vs 雙語字幕 vs 配音）。
• 膨脹後沒有任何字幕格超過約 17 CPS 或約每行 42 個字元；較長的語言已壓縮，而非延伸。
• 已在實際播放器中檢查 RTL/CJK 渲染，而不只是檢查文字。
• 每個專有名詞、術語以及正式／非正式語體都有一個一致的譯法。
• 匯出的檔案中時間戳與說話者標籤依然對齊。
• 多語言工作：一份權威的審閱原始稿，每種語言一份檔案。

常見問題

翻譯字幕和雙語字幕有什麼差別？

翻譯字幕只顯示目標語言。雙語字幕把兩種語言疊在同一個字幕格中，共用一個時間戳——對語言學習者、教學內容與混合受眾很有用。兩者都來自同一份審閱過、時間戳對齊的逐字稿，所以要產出哪一種只是匯出時的選擇。

為什麼翻譯字幕會溢出，或一閃而過太快？

因為多數語言翻譯後會膨脹——德文與羅曼語族經常比英文長 20–35%。解法是壓縮用詞讓它塞進原本的時間區段，而絕不要延伸字幕格（那會讓其後的一切失去同步）。請讓字幕格維持在大約每秒 17 個字元以下。

我能把兩種語言放進同一份字幕檔嗎？

可以——那就是雙語字幕：每個字幕格在同一個時間戳下，把原文放在譯文上方。請讓兩行都保持簡短，因為它們共用該字幕格的閱讀速度預算。

是字幕自己翻譯，還是我去翻譯逐字稿？

你翻譯的是審閱過的逐字稿，而字幕檔則是從它匯出、時間戳完好無損。把已經內嵌或已經匯出的字幕另外拿去翻譯，正是破壞時間與術語一致性的元兇——請讓翻譯始終附著於附時間戳的逐字稿。

我要怎麼有效率地把一支影片翻成好幾種語言？

審閱原始逐字稿一次，然後把那一份乾淨的原始稿翻譯成每一種目標語言。每種目標都繼承相同的時間戳，所以你只需要逐語言做一段簡短的適配檢查（壓縮那些膨脹的語言），而不必把整支影片反覆翻譯。

翻譯影片該用哪種字幕格式？

.srt 相容性最高，.vtt 則用於你需要網頁樣式或定位時。這個選擇跟任何字幕都一樣；翻譯改變的是行長與閱讀速度。完整比較請見 SRT vs VTT。

AI 翻譯好到足以發布了嗎？

對於內部使用與高資源語言配對，通常在輕度審閱後就可以。對於行銷、法律、醫療、已發表的研究、低資源語言或配音，請保留人工把關。原始稿品質也決定了上限——一份吵雜的逐字稿無論配對如何都翻不好。

來源與延伸閱讀

外部：

• BBC 字幕準則——閱讀速度與行長標準。
• Netflix 計時文字樣式指南——各語言的字幕需求，包含中日韓字元上限。
• W3C 國際化：翻譯中的文字大小——為什麼譯文文字會膨脹與收縮。

相關 Vocova 指南：

• 如何轉錄多語言音訊——辨識環節：語言偵測、語碼轉換，以及在抵達本指南前先審閱原始稿。
• 各語言的轉錄準確度——翻譯前你所從之起步的品質等級。
• SRT vs VTT——該匯出哪種字幕容器。
• 字幕檔案格式完整指南——每一種格式以及何時該用。

工具：

• 翻譯音訊
• 翻譯影片
• 雙語字幕
• SRT 產生器
• VTT 產生器