廣東話歌詞字幕常常被做成對白：你把翻唱成片丟進語音轉文字，期望畫面會像卡拉 OK 一樣跟着變色。出來的卻是一句句「聽起來通順」的書面語，時間碼貼着人聲段落，不是貼着每個字的拖音。觀眾關聲跟唱時，副歌第二遍還停在第一遍的字；你自己聽又覺得轉寫沒大錯——因為錯的不是口語辨識，而是工單選錯了。
歌詞軌要解決的是「現在唱到哪一個字」，不是「這句大概講了什麼」。對白字幕可以壓縮、轉書面、刪填充詞；歌詞幾乎相反：字必須跟掌權稿一致，時間必須跟唱腔走，格式還要分得出「整句跳出」和「逐字掃色」。
本文寫給在香港做翻唱、原創 MV、彈唱短片、詩歌投影或直播跟唱的人。你會帶走一條對白流程用不上的順序：先鎖有權使用的詞、用人聲軌對時、先做行級再做逐字，最後才決定燒錄還是掛軟軌。彈唱教學裡和弦與歌詞不要焊成同一條，見結他教學廣東話字幕；詩歌版權與講道旁白分開，見廣東話講道字幕。這裡專門處理唱出來的字。
廣東話歌詞字幕與對白是兩種工單
對白工單的成品，是觀眾靜音時仍能跟上意思。粵語口播充滿重複、中英夾雜和語氣詞，字幕師要把意思壓進可讀行長，時間軸跟的是語意單元。做法見廣東話字幕時間軸與廣東話口語轉書面語。
歌詞工單的成品，是跟唱者知道現在咬到哪一個字。文字來源不是「模型聽到什麼」，而是詞作者／唱片／詩班已經定稿的一行。時間來源也不是「這句從哪一秒講到哪一秒」，而是每個字（或每個音節）在旋律裡佔多久。把對白規格套上去，會出現三種必錯：
- 書面語改寫。 「今晚夜」變成「今天晚上」，跟唱的人會唱錯詞。粵語流行曲本來就大量用口語、專名諧音和英文專名當韻腳，改寫等於改曲。
- 句級時間碼冒充逐字軸。 語音轉文字給的是整句起迄。卡拉 OK 掃色用的
\k／\kf單位是厘秒（百分之一秒）。均分「這句八個字、共四秒，所以每字 0.5 秒」，遇到拖音、裝飾音、句尾氣口一定歪。 - 副歌複製時間。 同一段詞唱兩次，旋律、氣口、和音進出都可能不同。把第一遍的時間碼貼到第二遍，畫面會提早或遲到半拍，跟唱的人會以為自己慢了。
串流平台的對白交付，有時會把「情節相關的歌曲」做成普通字幕行，並在行首行尾加音符符號。那是給觀眾讀意思的歌詞字幕，仍然是行級、沒有逐字變色。跟唱用的卡拉 OK 軸是另一份檔。不要假設「上了 YouTube 隱藏字幕，就等於有 KTV 效果」。
先鎖歌詞原文，不要用轉寫當詞
粵語歌聲對語音模型不友善：拖音把一個字拉成兩秒、氣聲、假音、和音疊主旋律、混響把聲母抹掉。模型仍會吐出「聽起來像中文」的句子，錯字往往藏在通順裡——專名、英文掛勾、口語漢字被換成普通話近音。對白可以用上下文猜；歌詞猜錯就是公開唱錯。
較穩的文字來源，按優先順序：
- 你有權使用的官方詞。 自己寫的詞、已取得同步／展示授權的詞、詩班週刊印出來且教會允許投影的詞。
- 你自己現場唱出來、並已核對的手打稿。 翻唱現場若改了幾個字，字幕應跟你實際唱的版本，不要偷偷改回唱片詞，除非你打算後期補唱。
- 不要用： 網上歌詞站隨手複製、自動字幕、把混好 BGM 的成片丟去轉寫再「憑印象改」。
授權要分開想。詞的著作權、曲的著作權、錄音的鄰接權、MV 畫面，不是同一張許可。搜到 LRC、YouTube 自動字或別人的 ASS，只代表檔案存在，不代表你可以公開顯示全詞。沒有授權，寧可不上歌詞、只保留你自己的口播解說；有授權，才把全詞燒進畫面。本文不提供「貼多少句就算合理使用」的法律結論。
人聲與伴奏不要焊在同一條音訊裡對時。成片已混好鼓點與和音時，模型更容易把鑼鼓或和音聽成多出來的字。實務上先做人聲分離、或導一條人聲為主的臨時軌，只用來對時間；文字仍以掌權稿為準，轉寫結果只借用它的時間錨，不採納它的用字。配樂污染對白的處理，見廣東話語音轉文字遇噪音。
行級時間與逐字掃色：SRT、LRC、ASS 不要混用
同一句原創示例「夜深了」，三種檔記錄的資訊完全不同。
SRT 只記住這句從何時出現、何時消失。YouTube Studio 上載的隱藏字幕、多數剪輯軟件的字幕軌，吃的就是這層。它做得到「整句跟上旋律」，做不到逐字變色。把 SRT 副檔名改成別的，也不會憑空長出逐字軸。
LRC 記住每行的起點；增強 LRC 可以在行內為每個字標起點。音樂播放器、部分直播歌詞窗用這層。它適合「現在唱哪一行」，不一定能在影片畫面裡做掃色，除非你的播放器或外掛明確支援。
ASS（Advanced SubStation Alpha）可以在每個字前面寫 \k 或 \kf，時長以厘秒計。{\k50} 表示這個字佔 0.50 秒；\k 是到點變色，\kf 是期間由左至右填色。Aegisub 一類編輯器、以及許多燒錄流程，用的是這層。Premiere、Final Cut 並不把 \k 當成原生時間軸；要保留掃色，通常是在支援 ASS 的工具裡定稿，再用燒錄把畫面印進影片。
選檔前先問成品要去哪：
- YouTube 隱藏字幕、方便搜曲名與選段： 行級 SRT 或 VTT。觀眾開關 CC，搜尋有機會索引到詞，但手機上看不到卡拉 OK 填色。
- 短片資訊流、要一眼看到現在唱哪一個字： 燒錄。直式畫面還要避開底部按鈕，行長比長片更短，見Reels 字幕長度。
- 直播跟唱、投影、KTV 練習： ASS 或播放器吃的 LRC。OBS 文字來源可以疊畫面，但那是燒在輸出裡的效果，不是平台原生 CC。Twitch 對漢字隱藏字幕的限制見Twitch 廣東話字幕。
不要用對白 SRT 去「還原」逐字。導入 SRT 的卡拉 OK 工具通常只保留行區塊，每個字的邊界仍要你跟着唱腔重打。願意打行級就停在 SRT／普通 LRC；需要掃色，才進入逐字。
中文沒有空格可當詞界。逐字軸應按漢字切開，英文詞按單詞切，標點跟前一個字走，不要把「it's」拆成三個掃色塊。粵語歌詞裡的英文字（專輯名、口頭禪、品牌）寬度與漢字不同，掃色太快會看起來像閃光；寧可讓該詞整塊變色，也不要按字母閃。
粵語歌詞不要轉書面語；拖音與副歌要分開對
對白可以「口語轉書面」讓靜音觀眾好讀。歌詞這一步幾乎總是錯的。觀眾要對口型、要跟唱、有時還要對官方詞。把口語漢字改成書面，等於發布另一首歌。
保留的東西包括：口語用字、專名的固定寫法、歌詞裡故意留白或重複的襯詞。刪不刪「啦／啊／喔」不是文風問題，而是這拍有沒有唱出來。唱了就留；只是呼吸、沒有音高，就不要硬填一個字去「對齊波形」。
拖音是粵語歌詞最容易把均分軸打爆的地方。一個「夜」字唱兩拍半，後面三個字卻在半拍內咬完。先做行級：整句入場對準該句第一個有音高的字，出場對準句尾氣口，不要對準混響尾巴。行級穩了，才在行內切字。遇到明顯拖音，把時長撥給那個字，不要平均。句尾若只剩下伴奏，字幕應收掉，以免看起來卡住；需要提示「歌還在背景」時，對白規格才會用刪節號——跟唱軸通常直接空白。
副歌不要複製時間碼。第二遍若加了和音、或你唱快了半拍，應重新對一次，或至少用第一遍做起點再聽改。重複的襯詞「啦啦啦」若官方詞寫成固定字數，就按稿；你現場即興加長，字幕跟現場，並在存檔註明這是現場版。
和音與主旋律同時出現時，跟唱軸只跟主唱。兩行同時掃色，直式畫面會蓋臉，觀眾也不知道要唱哪一行。對唱才分行，並讓鏡頭對準的那一位走主行。這與訪談字幕「一次只呈現一條主資訊」類似，見廣東話訪談字幕，但歌詞多了掃色節奏，更不能把兩人焊成一句。
口播、歌詞與畫面字分成三軌
翻唱短片很少全程只唱歌。你會先講「今次改成 C 調」、中間講「呢句我換了指法」、片尾講「詞是某某的」。這三段是對白，可以用粵語語音轉文字出草稿，再決定口語或書面。中間真正唱的段落，是歌詞軌。
若畫面已經疊官方詞卡、詩班投影或預製 LRC，不要再燒一層自動字。兩層會打架，掃色也不會跟預製卡同步。要麼用畫面詞、要麼用你做的軸，只留一層。
片頭片尾的版權卡、曲名、作詞作曲名，不是歌詞軸的一部分。那些字對的是法律與搜尋，應對準你取得授權時的寫法，並避開歌詞掃色的安全區。YouTube 上架若同時有隱藏字幕，隱藏軌用行級詞、畫面上用燒錄掃色，兩份用字仍須同一套——觀眾開 CC 時看到另一個版本，會以為你唱錯。
直式短片把掃色放在畫面中下，避開頭、手指、和弦圖與平台按鈕。橫向 MV 常見做法是畫面下三分一，但特寫嘴巴或舞蹈時要上移。軟字幕與燒錄怎麼選，見軟字幕與燒錄字幕；給剪輯軟件的交換格式見SRT 與 FCPXML。FCPXML 幫你把對白塊推進 Final Cut，不會幫你把 \k 變成原生關鍵幀。
何時值得用粵語語音轉文字——以及何時不要用
語音轉文字適合這條片裡講出來的部分：調性說明、指法、創作故事、片尾呼籲。這些句子要的是準確的專名與可讀書面語，時間碼跟語速即可，不必厘秒掃色。詞庫可鎖曲名、人名、品牌英文，見字幕自定義詞庫。
它不適合直接當歌詞引擎。句級草稿最多拿來當「人聲大概在哪一段」的粗定位，文字仍以掌權稿覆蓋。把整首混音丟進轉寫、再開「口語轉書面語」，是最貴的返工：你會同時改錯字、改語體、再重打所有時間。
CantoSub 針對的是廣東話口播辨識、口語與書面語的風格控制，以及匯出 .srt／.fcpxml 給剪輯軟件；它不是卡拉 OK 逐字工具。片頭片尾的講解可以走這條路，唱段另做歌詞軸。能力說明見 Model 2.0，配額見 價格。
原創、已授權、或明確可公開顯示的詞，才值得把逐字軸做完。沒有授權的商業曲，把力氣放在你自己的口播與演奏畫面，比做一條不能合法上架的掃色軌更有用。
常見問題
問：YouTube 自動字幕能不能當廣東話歌詞字幕？ 答：不能當定稿。自動字跟的是語音近似，不是官方詞；時間也是句級。上架應自己上校對過的行級檔，或燒錄你做好的畫面字。語言標示見 YouTube 粵語字幕語言。
問：一定要做逐字掃色嗎？ 答：不必。教學解說、聽障友善的「這段在唱歌」提示、只想讓靜音觀眾讀到詞意，行級就夠。掃色是跟唱與短片視覺的加分，成本明顯高一截。聽障友善的聲音標註做法見廣東話無障礙字幕。
問：ASS 的 \k 單位是什麼？
答：厘秒，也就是百分之一秒。{\k100} 約一秒。不要把 SRT 的毫秒時間碼直接填進 \k，也不要按漢字個數均分整句時長。
問：副歌兩次能不能共用同一段軸？ 答：文字可以共用，時間通常不行。第二遍的氣口、和音和你自己的快慢都會變。至少聽改一次入場點，不要整段複製。
問：沒有歌詞授權，可否只上兩句副歌當字幕？ 答：顯示多少句仍取決於你實際取得的權利與平台規則。沒有把握就不要燒詞，改上曲名與「請到官方渠道聽原曲」一類說明。不要把「短」當成授權。
本文由 CantoSub 團隊編寫／審閱；撰稿過程使用 AI 輔助，事實與產品說明以官網為準。