字幕需包含说话人与关键音效
别名: 说话人标识 · 音效字幕 · closed captions · non-speech captions
概念解释
关掉声音之后，这一行字还要能回答两件事：谁在说，以及刚才那声不是对白的响动意味着什么。字幕（captions / closed captions）若只转写台词，多人对话会变成无主句，门铃、枪响、警报、画外的一声笑也会从情节里消失。它服务的是听不见、听不清、或此刻不能开声音的人，靠的是叠在画面时间轴上的那一层字，不是另一份可以整页检索的稿。
机制
视频里的听觉信息至少分三层：词、说话人身份、事件性声音。词可以落成字形；身份在口型清楚、人一直出镜时，画面还能补一截。人一出画、电话另一头开口、切镜后两人抢话，视觉线索就断了，字必须自己带上说话人标签，否则读者只能猜。
关键音效没有词可转。它推进的是事件：门开了、倒计时响了、观众在笑。漏标等于漏事件。持续的环境噪声通常不进字幕，不是因为它「不是声音」，而是因为它不改变下一步判断；主题乐突然出现若在揭示身份，那就不是装饰。
怎么研究
关声只看字幕，做说话人归属和事件检出两套题，不要混成一个满意度分。题目要问「这句是谁说的」「门有没有响」，不要问「好不好看」。
自变量：有无说话人标签、有无音效标注、说话人是否在画内。 因变量：归属正确率、关键事件漏检率、把旁白误判成角色对白的次数。
广播字幕质检（如说话人标识、非言语标注是否齐全）可以当制作侧清单；它替代不了关声理解测验——清单能勾「有标签」，测验才知道标签有没有标对人。
边界
单人出镜、口型清楚、全程可见时，每句都冠名会吵。画面里已经用名牌标了发言者的会议产品，字幕再重复一遍可能冗余。装饰性底噪、与情节无关的街道声不必逐条。实时字幕抢时间，音效标注会变稀，那是时效与完整的权衡，不是「音效可以不标」。语气、空间方向很难靠几个字还原——字幕的完整指的是谁在说、发生了哪类关键声，不是声学全貌。
怎么落地
- 两人或以上开口时，用名字或角色标说话人；画外音、电话对端、旁白单独标。
- 先列出改变理解或下一步动作的声音（警报、门、笑声、关键提示音），写成「[门铃响]」这类短标签，不要把频谱写进字幕。
- 同一时间槽里对白和音效打架，优先保住会改变判断的那一声，再压缩对白行数。
- 验证：静音从头看一遍，每句问「这是谁说的」，每个转折问「刚才发生了什么声」。指错的人、漏掉的声，就是字幕还只是台词清单。