Introduction
以下是主流字幕文件格式的对比表
| 格式 | 扩展名 | 特点 | 适用场景 | 主流程度 |
|---|---|---|---|---|
| SRT | .srt | 纯文本、时间码+字幕行，简单易编辑。 | 通用（影视、短视频） | ★★★★★（最主流） |
| VTT | .vtt | WebVTT格式，类似SRT但支持HTML标签、样式和注释。 | 网页（HTML5视频、YouTube） | ★★★★☆ |
| ASS/SSA | .ass/.ssa | 高级字幕格式，支持字体、颜色、位置、特效（如卡拉OK）。 | 动画、特效字幕（Aegisub编辑） | ★★★☆☆ |
| TTML | .ttml | XML格式，支持复杂样式和时序，兼容性广。 | 流媒体（Netflix、Hulu） | ★★★☆☆ |
| SCC | .scc | 封闭字幕格式，专为电视广播设计，二进制编码。 | 广播电视 | ★★☆☆☆ |
| STL | .stl | 欧洲广播标准，支持多语言和字体控制。 | 专业影视后期 | ★★☆☆☆ |
| IDX+SUB | .idx/.sub | 图形字幕（非文本），基于图像存储。 | DVD光盘 | ★★☆☆☆ |
| LRC | .lrc | 歌词同步格式，仅需时间戳+文本，无结束时间。 | 音乐播放器（如QQ音乐） | ★★★☆☆ |
你已经有了“配音文本”和“配音 mp3”，现在你想为它 生成带时间轴的字幕（SRT）文件。这是非常常见的流程，比如自动生成卡拉 OK 字幕或视频解说字幕。
✅ 前提
- ✅ 文本是你自己控制的（例如分段脚本、句子级）
- ✅ mp3 是由这些文本合成的（比如用 Azure TTS）
- ✅ 每一段文本 → 对应一段语音 → 需要字幕时间轴
可选方法：
|方法|原理|优点|缺点|
|—|—|—|—|
|✅ 基于文本切分估算时间|根据文本顺序 & 音频时长做线性分段|快速、简单、适合 TTS|不够精确|
|✅ 使用 aeneas 对齐工具|用音频 + 文本对齐得到精准时间轴|高精度支持多语种|配置略复杂，需要 Python|
|✅ 用 FFmpeg 估算音频时长|结合文本数和音频长度做分段|无需依赖外部组件|精度取决于文本切法|
基于文本切分估算：
由于是你生成的语音，每句配音一段文本，可以直接采用 “按句等分 + 估算时间” 来生成 .srt 字幕
Step 1：准备文本列表
var lines = new List<string>
{
"First sentence of your voice-over.",
"Second sentence for subtitle.",
"Third and final sentence."
};
Step 2：获取 MP3 音频时长
使用 NAudio、TagLib# 等库获取时长（以秒为单位）：
var file = TagLib.File.Create("output/merged.mp3");
double duration = file.Properties.Duration.TotalSeconds;
Step 3：计算每段持续时间 & 生成 SRT 字幕
var builder = new StringBuilder();
int index = 1;
double chunkDuration = duration / lines.Count;
double currentStart = 0;
foreach (var line in lines)
{
var start = TimeSpan.FromSeconds(currentStart);
var end = TimeSpan.FromSeconds(currentStart + chunkDuration);
builder.AppendLine(index.ToString());
builder.AppendLine($"{FormatSrtTime(start)} --> {FormatSrtTime(end)}");
builder.AppendLine(line);
builder.AppendLine();
currentStart += chunkDuration;
index++;
}
File.WriteAllText("output/captions.srt", builder.ToString());
string FormatSrtTime(TimeSpan time) =>
time.ToString(@"hh\:mm\:ss\,fff");
示例输出（captions.srt）
1
00:00:00,000 --> 00:00:06,500
First sentence of your voice-over.
2
00:00:06,500 --> 00:00:13,000
Second sentence for subtitle.
3
00:00:13,000 --> 00:00:20,120
Third and final sentence.
使用 aeneas 做精准对齐
…..todo