字幕

字幕是视频中所有有意义音频内容的文字呈现——包括对话、说话人标识、音效和音乐提示。字幕的主要受众是聋人及听力障碍观众；同时也被大量听力正常的用户使用，包括处于嘈杂环境中的用户、正在学习该语言的用户，以及更擅长处理文字而非语音信息的自闭症用户。

字幕与翻译字幕的区别

这两个概念经常被混淆。核心区别如下：

• 字幕（Captions） 面向聋人及听力障碍观众，转录所有音频内容：对话，加上说话人标签（“【旁白】：”），加上音效（“【门砰然关上】”），加上音乐提示（“【悬疑音乐】”）。内容语言与原始音频相同。
• 翻译字幕（Subtitles） 面向能听懂语音、但使用其他语言的观众，仅转录对话内容（不含音效和音乐提示），语言不同于原始音频。

流媒体平台将所有内容统称为”subtitles”或”CC”而不加区分，导致两者界限愈发模糊。就无障碍而言，关键在于文字内容是字幕式（涵盖所有有意义音频）还是翻译字幕式（仅翻译对话）。

隐藏字幕与开放字幕

• 隐藏字幕（Closed captions） 以独立文字轨道存储，用户可自行开启或关闭。网页视频（WebVTT文件）和广播电视（CEA-708标准）均采用此方式。
• 开放字幕（Open captions） 直接烧录进视频像素，无法关闭。适用于不支持独立字幕轨道的场景（部分社交媒体平台、部分旧版环境）。

WCAG对两者均予以接受；从实际操作角度，隐藏字幕更为可取，因为它不会修改原始视频。

WCAG的要求

• 1.2.2 字幕（预录制） — AA级 — 为同步媒体中所有预录制音频提供字幕。
• 1.2.4 字幕（直播） — AA级 — 为直播音频内容提供实时字幕。
• 1.2.6 手语（预录制） — AAA级 — 在字幕之外提供手语翻译。

WCAG明确将”文本的媒体替代”（即仅作为文字文章视觉替代品存在的视频）排除在该要求之外，但此类情形较为少见。

实际生产中的常见问题

• 直接使用未经校对的自动生成字幕。 YouTube及大多数视频平台可自动生成字幕，但对带口音的语音、专业术语或背景噪音的识别准确率较低——通常在85%至95%的词语准确率之间。低于99%的准确率不符合法律标准。自动生成的字幕仅是起点，而非可直接发布的成品。
• 缺少说话人标识。 双人对话无说话人标签，聋人观众无法分辨谁在说话。
• 缺少音效提示。 情节关键音效缺席，聋人观众无从知晓。
• 时间轴偏差。 字幕比对话晚出现2秒，或说话人已结束发言后字幕仍留在屏幕上。时间精度至关重要。
• 字幕对比度不足。 白色文字叠加在明亮视频画面上，无背景或阴影。实际上几乎不可辨认。

最低质量标准为广播级字幕：词语准确率≥99%，时间误差≤±50毫秒，包含完整的说话人标识和音效提示。