南方口音用剪映识别字幕老出错，我是这么弄的

上周帮表姐剪一条卖荔枝的短视频，她用粤语讲了3分钟，我丢进剪映点"识别字幕"，第一句"大家好我系广东人"出来变成"大家好我西广东人"，后面更离谱，"糯米糍"识别成"诺米词"，"妃子笑"成了"飞子弹"。手动改了40分钟，比我自己听打还慢。这事儿在南方做号的人应该都懂：剪映的自动字幕碰到带口音的普通话或者方言，翻车概率高得吓人。

我做了三年本地生活号，前后剪过大概600条视频，广东话、潮汕话、带浓重口音的普通话都试过一遍。踩的坑够多，现在基本能预判哪些段落它能识别对、哪些必须手打。

识别翻车，多半卡在这几个地方

剪映的语音识别模型是按标准普通话训练的，方言词汇本身就缺语料。你讲"食咗饭未"，它只能硬往普通话音节上套。语速快、吞音、句尾拖长音，识别率会再掉一截。还有就是环境，在菜市场、大排档这种地方录的，背景一堆人声，识别出来的东西基本没法看。本地小吃名、地名、人名这些专业词最惨，几乎百分百错。

有个细节很多人不知道：剪映"识别字幕"里能选语言，粤语是支持的，选对了准确率能提一截。但闽南语、客家话、温州话这些目前没得选，只能按普通话硬识，错的概率就很高。

我现在固定用的几套处理办法

• 录音前先降噪：手机贴近嘴10厘米内录，挂个几十块的领夹麦，环境噪声压下去，识别率肉眼可见地涨
• 先用剪映识别出时间轴，再整段替换错字，它给的时间点很准，我只要改文字，比从零听打快一半
• 方言重的段落，先用手机自带的语音转文字生成一版，粘到剪映里对齐时间轴
• 把常错词汇存成自己的对照表，比如"糯米糍/妃子笑/白切鸡"，剪完统一搜一遍替换
• 实在改不动就做方言字幕版和普通话配音版两条，方言版只用花字不全句上字幕

说句实话，第四点最省事。我做本地美食号，来来回回就是那几十个菜名和地名，整理成替换表之后，一条3分钟视频的校对时间从40分钟压到10分钟以内。

顺带说说别的毛病。模板和素材加载慢，尤其在城中村宽带或者晚上8点到11点这个点，基本卡死，我的办法是中午先把模板下好放本地。还有导出慢、手机发烫，南方夏天在外面录一会儿就烫手，剪映导出直接给你降分辨率，我一般先把手机放空调口吹5分钟再导。

回到最开始那个问题：南方剪映怎么办？说白了别指望它一步到位。把识别结果当成一个"半成品时间轴"来用，剩下的活自己补，这条路我觉得最踏实。方言特别重的号，干脆放弃全字幕，改用关键花字加口播，观众体验反而更好，我试过，完播率没掉，制作时间砍掉一大半。