核心要点
把字幕翻译成你不懂的语言，其实是两项工作，不是一项。先做出原始语言的转录文本，读一遍、改一遍，然后才能翻译。如果转录本身有问题，这个问题会原封不动地带进你生成的每一种语言版本里。字幕的时间轴是跟着说话节奏走的，所以换了语言之后基本不用动；会变的是每条字幕里能塞进多少文字。人名地名这类专有名词要一个个手动核对。条件允许的话，一定要找一个以该语言为母语的人看一遍成品。
你手上有一段视频，观众看的是你完全不懂的语言。字幕必须准确，可你根本没办法判断它到底对不对。这种处境确实让人不安，而市面上大多数建议都绕开了真正决定结果好坏的那一步。
关键在于顺序。翻译字幕出的绝大多数问题，其实在翻译开始之前就已经存在了，而翻译特别擅长把一个错误伪装成一个“有意为之”的说法。接下来要说的，是能把损失降到最低的操作顺序，以及做完这些之后你依然会面对哪些风险——我会说实话，不藏着。
两个步骤，顺序不能颠倒
做另一种语言的字幕，本质上是先做出原始语言的转录文本，再把这份转录文本翻译过去。仅此而已。任何号称能“一步到位”把视频直接变成外语字幕的工具，其实都做了这两步，只是没把中间那一步展示给你看。
隐藏中间这一步的问题在于错误的处理方式。如果转录环节听错了一个词，翻译环节根本不知道这是个听错的词，它会照实翻译，把错的当成对的来处理。结果是语法通顺、读起来流畅，但内容是错的——而且正因为流畅，文字本身根本没有任何破绽能让人一眼看出问题。转录出错至少看起来乱糟糟的；把一份出错的转录翻译得漂漂亮亮，反而看起来完全没问题。
所以要把转录文本当成一份属于你自己的文档来对待。先生成它，打开它，对照音频通读一遍，改好，然后才把它交去翻译。如果你要发布三种语言的版本，这一步的重要性要乘以三，因为三个版本都是从同一份源文件生成的。这个道理同样适用于只有音频的素材：翻译一段录音依然意味着要先把它转录出来，不管你有没有机会看到那份中间文本。
有一类工具能把中间这一步保留下来给你看：SozAI 支持在 iOS、Android 和 macOS 上转录视频、音频文件以及 YouTube 链接，等你读完并修改好原始转录之后，它可以翻译成 99+ 种语言。获取转录文本的方式有很多种，关键要求只有一个——你必须能在任何内容被翻译之前看到并编辑它，而不是要求它必须来自某个特定渠道。
把原文改对，才是真正划算的那一步
你在修正源语言转录文本上花的每一分钟，都会在你输出的每一种语言里得到回报。反过来，你留下的每一个错误，也会在每一种语言里被复制一遍。这也是整个流程里唯一一个你能完全掌控质量的阶段：这是你的语言、你的录音、你熟悉的内容。一旦进入翻译环节，你判断结果对错的能力基本就归零了。
读转录文本时要一边放着音频一边对照读，而不是干读文字。干读只能挑出那些“看起来不对”的地方。对照音频读，才能挑出那些“看起来对、但其实不对”的地方，而这类错误其实更多。专业术语、专有名词，以及说得很快或者背景噪音较大的部分，是错误最容易聚集的地方。
特别留意那些语法上说得通、但你读起来总觉得有点不对味的句子。一句你自己绝对不会那么说的话，通常就是转录听错了某个词。要在源文本里改掉它。如果等翻译完了再改，你就得在每一种语言里各改一遍，还得跟看得懂那种语言的人解释清楚为什么要改。
这也是决定字幕“作为文字该怎么呈现”、而不是“作为语音原样照搬”的时机。停顿重来、口头语、重复的词——在这一步、用你自己听得懂的语言把它们去掉，而不是让翻译者把它们逐字译成另一种语言，结果读起来变得语无伦次。
时间轴留得住，文字内容留不住
字幕的起止时间是绑定在说话节奏上的，不是绑定在具体词语上的。一条字幕在有人开始说话时出现，在停顿、句子结束或说话人切换时结束，翻译文字本身并不会改变这些节点的位置。所以你为原始语言搭好的时间轴结构，换了语言之后基本能原样保留下来——这也是整个流程里真正省心的一部分。
留不住的是长度。不同语言表达同一个意思所占的篇幅差别很大，原文里两行就能放下的一句话，翻译过来可能要三行才够。当翻译内容超出了这条字幕的时长，你有两个选择：把文字压缩得更短，或者重新切分这条字幕、给它更多时间。
几乎所有情况下都应该选择压缩文字。重新切分字幕意味着它不再跟说话内容对齐，而且一条字幕的时间一动，它前后的字幕往往也得跟着动。如果要做四种语言版本，这么一来你就得维护四套不同的时间轴文件，而不是一套。压缩文字则能让所有语言版本共用同一套时间轴结构，为此牺牲一点措辞上的细腻感，是值得的。
实际操作上，这意味着不管是找人还是用工具做翻译，都要提要求“控制在多长篇幅内”，而不只是“翻译一下”。如果你需要把做好的文件转成发布平台要求的另一种格式，一个能在浏览器里直接运行的字幕格式转换工具可以帮你搞定，而且不会动到时间轴。至于最初生成字幕文件这件事，是另一项工作，从转录文本生成字幕文件正是设定字幕起止时间的地方。
一个字都看不懂的时候，该检查什么
你没办法核对翻译内容本身对不对，但你可以核对其中一类具体的东西，而且值得逐一过一遍：专有名词。人名、地名和产品名，是翻译最容易改动走样的部分，而名字一旦变了，观众能立刻察觉出问题——即便他们完全看不出字幕其他地方哪里翻错了。
翻译之前，先把视频里出现的这些名词都记下来。翻译完成后，在译文里逐一找到它们，确认都保留下来了。做这件事不需要看懂周围的句子，你只是在做模式匹配。
- 人名，包括提到过但没有出镜的人
- 你的公司名称，以及任何产品名称
- 地名，尤其是那种有约定俗成的当地译法的地名
- 视频里一个字母一个字母念出来的东西，比如网址或代码
- 数字和单位，它们有时会被重新格式化，而不是被翻译
如果某个名字在目标语言里确实存在一个不同的规范译法，这是一个你自己没有能力判断的问题，应该去问一个人，而不是去问一个工具。如果目标语言用的文字系统跟源语言完全不一样，靠肉眼核对会更费劲，但并非做不到——你依然是在一个可预测的位置上，找一个能认出来的标记。
母语读者，才是真正靠得住的检查方式
找一个以目标语言为母语的人，打开字幕看一遍视频，是唯一真正管用的质量把关方式。不是回译（把译文再翻译回原语言核对），回译反而容易把错误“洗”得看起来很合理。也不是再跑一遍机器翻译做校对。而是要找一个真人，让他看着说，这读起来像不像一个人会说出来的话。
这个人不需要是专业翻译，也不需要花很长时间。机器翻译出来的字幕，问题大多在第一分钟内就能被母语读者看出来，因为问题往往出在语气而不是用词上：太生硬、太字面、莫名其妙地僵硬。让他们说说整体印象，而不是要求逐行核对，一次简短的交流就能得到很有用的信息。
如果实在找不到这样的人，剩下能做的就是往上游想办法。源语言写得越平实，翻译出来就越安全。用短句、常用词，不用文字游戏，不用只有一个地方的人才懂的文化梗。如果你已经知道一段视频要被字幕翻译成你看不懂的语言，这个认知应该改变你在镜头前说话的方式，而不只是改变你后期剪辑的方式。这确实是对你表达方式的一种限制，会让你少一些个人风格。但它同时也堵住了翻译最容易让你出丑的大多数漏洞。
你依然要面对的风险
习语和幽默，是机器翻译最不靠谱的地方，也是字幕出错代价最大的地方。一个专业术语翻错了，是个小问题，观众能绕过去理解。一个笑话被逐字翻译过去，会改变整段视频给人的感觉：说话人听起来不是有趣，而是奇怪，而观众根本无从判断这种奇怪是字幕的问题，还是你本人真的这样。
语气是另一个容易流失、也更难提前预判的东西。机器翻译默认会套用某种固定语域，而这种语域未必是你说话的语域。一段很随性的对话式视频，翻译出来可能读起来像一份说明书。内容本身没有任何错误，只是那已经不是“你”了，而看这份字幕的观众，永远不会认识原始录音里那个真实的你。
这些问题，光靠在翻译环节上多花功夫是解决不了的。能解决它们的，是把源文本改对、把源文本写得平实、核对好人名地名、条件允许时找母语读者把关。做到这些，你交出去的字幕会是准确但稍显平淡的版本——对于一份你自己看不懂的内容来说，这已经是一个相当不错的结果。如果跳过修正源文本这一步，你交出去的错误会永远藏在字幕里，被你发布出去的每一种语言各复制一遍，你自己却永远都发现不了。
