第一次把一段口播做成“字幕加字在人后”时，我以为最难的是抠像和动画。素材是一段约 64 秒的竖屏口播，我先把人物从背景里分出来，再把几个重点词放到人物后面，最后在底部加上字幕。成片确实能看，人物也没有被字幕挡住，但我回看时很快发现，真正让画面不舒服的不是某一个特效，而是所有文字都没有形成共同的秩序。
字幕有的地方断得很奇怪，双语没有统一的高度和大小，关键词的强调也像是随机出现。字在人后虽然成立了，但它和口播字幕像两套互不认识的系统。画面越热闹，问题越明显。口播视频的冲击感不能建立在阅读成本之上，观众先要看懂，才有余力感受动效。
第一个问题不是动画，而是字幕没有站稳
一开始我沿用了比较直接的做法：先识别字幕，按固定长度切成几段，再给每段加一个向上滑动的入场。这样的流程很快，却把“说到哪里”和“屏幕上显示什么”分开了。语音是按意思推进的，字幕却可能在一个词组中间被切断。观众需要先把上一张卡片补完，再等下一张卡片出现，口播的节奏就被视觉节奏打散了。
这类问题不一定会在初看时被说成“字幕错了”。更多时候，观众只会觉得画面不顺，甚至误以为自己没听清。如果不处理，后面的双语、关键词和特效都会建立在错误的句界上：英文可能被拆开，关键词可能独自悬在下一句，动画也会在不该强调的位置制造停顿。
所以我先回到逐字时间戳，把识别结果逐字对照口播，再按语义重排。原始素材最后被整理成 33 句，每句最多 12 个字，同时修正了识别出来的错字。这里的“最多 12 个字”不是拿尺子硬切，而是给阅读密度设一个上限；真正的边界仍然是意思完整和说话停顿自然。
这件事让我重新意识到，字幕不是音频的文字版，而是观众在有限时间里接收信息的界面。先把句子站稳，后面的设计才有可以依附的节奏。
双语字幕要先统一空间规则
句子整理好以后，第二个问题才浮出来：字幕到底应该放多高、多大，中文和英文之间如何相处？如果只凭感觉往画面底部一放，人物一缩放、空镜一插入，字幕就会忽高忽低。中文和英文的字面高度不同，若使用同一个字号，视觉重量也不一样。
我没有先去挑更多花字模板，而是先把字幕当成一个固定层来处理。它需要有稳定的安全区，不能压住人物的脸，也不能贴近画面边缘；中文作为主要阅读层，英文作为对应信息层，两者的间距、对齐方式和出现时间要保持一致。即使这一轮只做 1 种字幕样式，也要让它在不同镜头里看起来像同一个系统。
这里最容易误判的是，双语只是把中文翻译再加一行。实际上，它会改变一张字幕卡片的高度和阅读路径。如果中文已经接近画面下沿，英文再直接追加，就可能把整组文字推到裁切风险区；如果为了塞下双语而把字缩得太小，字幕虽然完整，观看时却等于没有。
我的判断是，先给信息层级让路，再给装饰让路。字幕高度、字号、颜色和描边先统一，双语的对齐先统一，人物遮挡范围也先统一。双语规范不是最后补上的翻译层，而是从一开始就参与构图的空间规则。
关键词应该强调意思，不是服从自动排序
第一版里，关键词是自动挑出来的。它看起来很省事，但结果会选到“东西”“了结”这样的词。它们可能在统计上突出，却不能帮助观众理解这段口播。把这些词做成大字、黄色、发光，只会把注意力引向无关信息。
这就是另一个错误捷径：先让系统自动判断重点，再用动效把它放大。自动化确实能减少挑选动作，却不能替我判断一句话为什么值得被强调。尤其在技术口播中，真正重要的往往是一个概念之间的关系，而不是出现次数最多的普通词。
后来我改成先看逐字时间戳，再人工挑重点。关键词要满足至少一个条件：它是这句话的核心概念，或者它承担了转折、结论和行动指向。普通连接词、语气词和脱离上下文就没有意义的词，即使系统给了很高分，也不进入强调层。
这不是拒绝自动化，而是把自动化放在合适的位置。它适合帮我定位候选范围，最终的取舍仍由语义负责。这样做之后，关键词数量少了，画面反而更有冲击力，因为每一次放大都在告诉观众“这里值得记住”。
冲击特效只做一个清楚的动作
确定关键词以后，我才开始处理动效。参考了已有的花字和字幕样式后，我把关键词设为基础字号的约 1.3 倍，使用黄色、黑边和阴影，让它在画面里有足够的识别度。入场不再是所有字幕一起滑动，而是让关键词从约 1.4 倍大小、半透明的状态开始，在约 0.2 秒内缩回正常大小。
这个动作看起来很小，却比叠加多个转场更有效。它先制造一个瞬间的“撞入”，再把文字收回阅读状态。观众会感到重点被击中，但不会一直被放大的字拖着走。好的冲击特效不是把文字永远做大，而是在最短的时间里完成一次有理由的强调。
我没有把每句字幕都做成大字，也没有让入场、发光、弹跳和旋转同时发生。因为字幕的任务是持续传递口播内容，特效只能在局部改变注意力。如果每一层都在抢注意力，最后就没有真正的重点。
人物遮挡也被单独拿出来验收。之前我试过把字甩到人物两侧，但竖屏里人物占满了大部分宽度，文字反而会被身体挡住。后来把重点词移到头顶空白区，让人物头发或身体边缘遮住文字的下半部分，才有“字在人后”的空间关系，同时不遮脸。这里的关键不是把字放到人物后面就算完成，而是要让前后关系可见、人物表情可读、关键词仍然能读完。
小样本测试比继续加效果可靠
做到这里，仍然不能只靠肉眼觉得“差不多”。字幕规则里有很多容易被改坏的边界：双语是否都能对齐，关键词有没有被错误抬高，短句合并后是否超出长度，人物移动时字是否穿过脸部，入场动画是否真的在约 0.2 秒内完成。
我把这些边界整理成小样本测试，先不继续渲染整条成片。测试既检查字幕生成结果，也检查人物遮挡和关键词层级。第 1 次调整后，11/11 项测试通过，才继续下一轮渲染。这样做的价值不是给流程增加一个漂亮数字，而是把“我觉得成立”变成几条可以重复检查的规则。
如果不做这一步，最容易出现的情况是：为了修一个关键词，又意外改变双语位置；为了让字在人后更明显，又把人物脸遮住；为了追求冲击感，又让每句字幕都产生相同的缩放。成片可能没有明显报错，但规则已经悄悄失效。
一个流程成熟的标志，不是它能跑通一次，而是它在下一次面对相似素材时，能少依赖临场记忆。先用小样本锁住字幕和遮挡规则，再把动效扩展到整条视频，才是更稳的渲染顺序。
下次我会怎么做
下次遇到口播字幕和冲击特效同时要做的情况，我会先转录并校字，再按语义和真实停顿分句。句子确定后，先设置安全区、字号、中文与英文的层级和对齐，再挑真正承担信息的关键词。关键词确定后，只给它 1 个主要的可见动作：先大、再在短时间内回到正常大小。
人物遮挡会单独验收，不把“能看到字”误认为“空间关系成立”。我会先检查人物的脸、身体边缘和字幕阅读路径，再决定字在人后的具体位置。遇到竖屏人物占满画面的素材，也不会机械套用左右避让，而是重新找头顶或其他安全空白区。
最后，我会用一组小样本检查 4 件事：句界是否自然，双语是否统一，关键词是否真的有意义，人物和文字的前后关系是否清楚。通过后再继续渲染整条片子。
表面上我是在做字幕和动画，其实我是在安排观众的注意力。字幕负责让人听懂，双语负责让信息完整，关键词负责指出重点，字在人后负责提供空间感；它们各自有任务，不能靠更热闹的效果互相补洞。我更愿意把这看成一种工作习惯：先把信息讲清楚，再让视觉效果为判断服务。