一条竖屏成片已经渲染出来了。画面、声音和节奏大体都完成，我原本以为最后只需要快速看一遍，就可以交付。结果在看字幕时，问题很快暴露出来：字幕里还留着标点，换行也很奇怪。有的句子被硬切成几段，意思没有说完就停住；有的屏幕字数虽然差不多，却把本来应该连在一起的词拆开了。
用户的要求很明确：不要标点，并且要按语义分段，避免字幕看起来别扭。表面上，这像是一个很小的清理动作，甚至可以用一次全局替换解决。但我后来发现，真正需要重做的不是标点字符，而是字幕生成时采用的版式单位。
这次问题不是少删几个符号
如果字幕只是多了逗号、句号，当然可以把它们删除。但删除以后，原来的时间段和换行位置并不会自动变得合理。标点原本承担了一部分停顿提示，删掉之后，字幕可能变成一长串没有呼吸的文字；如果原先又是按固定字数切分，删除字符只会让每段看起来更短，却不会让语义更完整。
我一开始也容易把这件事理解成“渲染后清理”。因为问题是在成片里被看见的，直觉上就会想回到最后一步处理：把字幕文本扫一遍，找到标点就删掉，再重新渲染。这个办法看上去省事，实际上把一个源头问题推迟到了最难修的位置。
字幕去标点不是字符清洗问题，而是一次以语义停顿为依据的重新排版。
如果不处理这个差别，后面会出现至少3种后果。第一，字幕没有标点了，读起来却仍然像被机器截断；第二，单屏文字可能太长，压住画面或让观众来不及读；第三，字幕和配音的对应关系会变得不可靠，漏掉一个字或多出一个字，最后很难只靠肉眼发现。
这件事让我重新意识到，成片最后看到的异常，未必应该在最后一个环节修。视觉问题有时只是上游数据结构不对的结果。字幕如果从一开始就没有把“一个完整意群”当作屏幕单位，后面再怎么删字符，也只能把错误整理得更干净。
意群才是字幕的基本单位
我把“意群”理解成一句话里可以自然说完、也可以自然听懂的一小段。它不一定等于语法上的完整句子，也不一定等于固定字数。有时候，一个动作和它的对象应该放在一起；有时候，条件和结论之间必须保留连续关系；还有时候，短短几个字本身就是一个完整停顿。
这也是为什么同样是10个字以内，两个字幕屏的阅读感受可能完全不同。按字数切出来的段落只回答了“放得下吗”，没有回答“看得懂吗”。真正需要问的是：观众在这一屏结束时，是否获得了一个完整的小意思？如果没有，下一屏就会像补丁一样接上来，字幕自然会显得奇怪。
按意群重排也不等于任意改写台词。原文仍然要被完整保留，不能为了好看而省略、添加或调换内容。字幕的版式可以调整，台词的事实不能被悄悄改变。这个边界很重要，因为视觉上顺滑的字幕，如果和实际说话内容不一致，反而会制造另一种错误。
我选择先重建字幕屏，再做去标点和长度检查，是因为这条顺序保留了判断的先后。先决定哪里该停，再决定这一屏是否干净、是否放得下；如果倒过来，标点删除会掩盖断句问题，长度检查也可能逼着我把意群再次切碎。
错误捷径会把问题推到成片里
最容易误判的错误捷径，是先按固定字数把整段字幕切开，渲染后再全局删除标点。它的优点只有一个：实现很快，结果也容易通过“有没有标点”的初步检查。但它把最重要的判断交给了切分规则，而不是交给语义。
固定字数不是完全不能用。它可以作为一个长度上限，提醒我某一屏不能无限变长；但它不应该负责决定停顿位置。把上限误当成分段依据，就会出现“每屏都符合数字、每屏都不自然”的情况。数字通过了，阅读没有通过。
另一个容易走偏的做法，是只看渲染后的视频截图。截图能发现某一屏太挤、标点还在，甚至能发现明显的断句，但它不擅长证明整段台词是否完整。画面检查是必要的，却不够作为唯一证据。字幕源、屏幕长度和台词覆盖率，必须分开检查。
门禁应该拆开验证，因为“没有标点”“放得下”和“没有漏字”是3个不同的问题。
如果把它们揉成一个“看起来没问题”，失败时就不知道应该回到哪里。字幕有标点，要改字幕源；单屏过长，要重新调整意群或屏幕布局；台词漏字，要回到原文和字幕序列对照。问题被拆开以后，修复才不会靠猜。
这次验收为什么要分3层
第一层是字幕标点门。它检查字幕源中的每一屏，而不是只抽查渲染结果。这样做的意义在于，源文件才是后续渲染的依据。如果源里还留着标点，即使这一版画面恰好看不出来，下一次重新渲染仍可能把问题带回来。最终检查了23屏，标点零命中，说明清理确实落在了源头。
第二层是单屏版式门。每屏字幕控制在10个字以内，并保持单行。这个限制不是为了追求整齐，而是为了给竖屏阅读留出稳定的空间。单行能减少观众在视觉上重新定位的成本，字数上限则防止一个意群为了不拆开而挤成难以阅读的一团。
但这里不能机械地把所有屏幕都塞满10个字。10个字是边界，不是目标。若意群只有6个字，就让它停在6个字；若一个意群超过边界，就回到语义关系重新判断，而不是直接从第10个字后面砍断。长度门禁负责提醒风险，最终决定仍然属于语义判断。
第三层是台词对齐门。它把字幕内容和原始台词进行覆盖率检查，确认有没有漏字、多字。最后的结果是漏字0、多字0、覆盖率1.0。这个结果很关键，因为它证明这次重排没有用“看起来更顺”换掉内容完整性。
这3层门禁分别回答3个问题：字幕干不干净，屏幕读不读得下去，台词有没有被改错。它们不能互相替代。标点门通过，不代表断句自然；长度门通过，不代表台词完整；覆盖率正确，也不代表画面排版舒服。
失败时要回到字幕源
门禁的价值不只是给出一个通过或失败，更重要的是规定失败之后往哪里回退。假如某一屏仍有标点，我不会在成片上做遮盖，而是回到字幕源删除并重新检查。假如某一屏超过10个字，我会先看它是否包含两个可以自然分开的意群，再决定拆屏。假如覆盖率不是1.0，就暂停后续渲染，逐屏对照原文，确认是漏字、多字还是顺序问题。
这种回退顺序看起来保守，却能减少返工。成片是结果，不是最适合修复的地方。越靠近源头修改，越容易让后续所有输出同步得到修正；越靠近成片修改，越可能只修好当前这一版，下一次生成又重复出现。
表面上我是在处理字幕格式，其实我是在处理一个小型的数据一致性问题：源文本、屏幕分组、画面呈现和配音内容必须互相对得上。只看其中一层，就会把局部正常误认为整体正确。
一个流程是否可靠，不看它能不能在最后看起来通过，而看它能不能在失败时明确回到正确的源头。
这件事也解释了为什么“渲染完成”不能直接等于“字幕完成”。渲染只是把当前输入变成视频，不能替我们判断输入是不是合理。真正的完成，应该包括源文件通过静态门禁、版式满足约束、台词对齐有证据，以及最终画面没有引入新的问题。
可复用的字幕处理流程
这次之后，我把方法压缩成一条可以复用的流程。先拿到完整台词，按自然语义停顿建立字幕屏；每屏只放一个可独立理解的意群，不把固定字数当作断句规则。接着对字幕源逐屏做标点检查，统一移除不需要的标点，并检查中英文符号是否混入。
然后做版式门禁：检查每屏是否不超过10个字、是否保持单行，发现超限时先回看意群关系，而不是直接截断。再做对齐门禁：把字幕序列和原文比较，检查漏字、多字和覆盖率。只有这3层都通过，才进入重新渲染和成片抽查。
如果渲染后的画面仍然显得别扭，也要区分它属于哪一类问题。若是停顿不自然，回到意群分组；若是字太挤，回到长度和布局；若是听到的台词和看到的字幕不一致，回到对齐检查。每一次修改只针对对应层，避免为了修画面而破坏文本，或者为了修文本而改变原本的语义。
我更愿意把这看成一种工作习惯，而不是一个字幕技巧。习惯的核心是：先定义可读的单位，再定义机器可以检查的边界，最后让结果接受独立验收。机器擅长查零命中、查长度、查覆盖率，人则负责判断哪里应该停、哪些词应该在一起。两者分工清楚，流程才不会把语义判断伪装成格式处理。
下次我会怎么做
下次遇到“字幕去标点”这类要求，我不会先打开成片做全局替换。我会先检查字幕源，确认每屏的分组是不是来自自然停顿；如果不是，就先重排意群，再谈标点和长度。这样做多了一步判断，却能避免把错误固化到渲染结果里。
我也会在渲染前就跑完3个门禁：标点、单屏长度、台词对齐。标点门确保23屏都没有遗漏，长度门确保每屏不超过10个字并保持单行，对齐门确保漏字0、多字0、覆盖率1.0。任何一关失败，都回到字幕源修正，不拿“最终画面大概能看”作为放行理由。
真正难的不是删掉几个符号，而是承认字幕本身是一种版式语言。它需要像说话一样有停顿，也需要像排版一样有边界。以后我会先把意群当作屏幕单位，再把机器门禁当作交付条件；只有语义、版式和台词同时成立，字幕才算真正完成。