字幕时间轴（可直接修改文字，点时间跳转）
还没有字幕，先点“语音识别生成字幕”。
质量检查
生成字幕后，这里会显示切分结果、阅读速度检查；示例视频还会和人工校对稿比对，计算字错误率（CER）。
技术原理
语音活动检测（VAD）：把音频切成 50 毫秒一帧，计算每帧的音量（分贝）；取最安静的 20% 帧作为背景噪声，比噪声高出阈值的帧算“在说话”，连续 0.15 秒安静就断开，得到一段段说话的起止时间。
识别与对齐：整段音频一次性交给语音识别模型（SenseVoice）转写，按标点切成每条不超过 18 字的短句，按字数占比映射到说话时间上，起止点再吸附到最近的说话段边界。专业字幕工具会用“强制对齐”逐字对时间，原理相同但精度更高。
字幕规范：中文字幕一般每行不超过 16～18 字、每秒不超过 9 字左右，太快观众读不完；翻译成其他语言后长度会变，需要重新检查阅读速度。