Cafe 冷氣、街市人聲、 tram 鈴、後製才加的 BGM——香港創作者最常見的廣東話語音轉文字失手，往往不是「模型不懂粵語」，而是人聲被噪音蓋住。同一句口語，在安靜收音間可以一次對準；換成邊走邊講、或成片已混好配樂，近音錯字、漏句、時間軸漂移就會成批出現。
問題不在「要不要做字幕」，而在順序：先降噪還是先轉寫？先拆對白軌還是整條混音丟進工具？嘈雜段要不要整段重錄？若每條片都從第一句慢慢聽打，街拍與短片節奏會被拖垮。
本文以實務場景拆開：什麼噪音最傷辨識、何時值得先處理音訊、如何用置信度與詞庫加速校對，以及何時該換收音而不是死撐後製。口語與書面語取捨見 廣東話口語轉書面語；通用轉寫流程另見 廣東話語音轉文字。
為什麼噪音特別傷廣東話辨識
語音轉文字靠的是「聽得清的音素 + 語境猜測」。廣東話本身聲調多、懶音與語氣詞多，模型已要同時處理口語變體與中英夾雜。背景再疊一層穩定噪音（冷氣、風扇、低頻交通）或節奏性噪音（BGM 鼓點、街市叫賣），人聲邊界會糊掉：短字被吞、語氣詞被聽成實詞、英文專有名詞被拆成漢字諧音。
三類場景最常見。一是已混音成片：旁白底下有配樂，轉寫工具聽到的是「音樂 + 人聲」的混合物，低音鼓與人聲同頻時錯字會集中。二是街拍／邊走邊講：風噪、交通、路人對白搶話，麥克風距離一遠，音量忽大忽小。三是Cafe 或開放辦公室：持續冷氣聲不刺耳，但會拉低信噪比，長句後半段最易糊。
通用「中文」自動字幕對這些情況往往更脆，因為它未必按香港廣東話與中英夾雜優化。粵語專用工具仍受音訊品質限制——垃圾進、垃圾出——但至少在口語、潮語與港式用詞上，校對起點通常較乾淨。準確率數字會隨素材波動：安靜對白與嘈雜街拍不應拿同一個期望值比較。
先判斷：這段噪音值不值得救
不是每段嘈雜音都要先開降噪軟件。先問三個問題，再決定工時落在收音、音訊預處理，還是字幕校對。
人聲還聽不聽得清？ 戴耳機靜音畫面只聽對白：若你自己都要重播兩次才聽懂，模型大概也聽不懂。這類片段優先重錄旁白或補一句清楚 take，比花一小時在錯字堆裡猜更划算。
噪音是穩定底噪，還是節奏性干擾？ 穩定冷氣、輕微人聲牆，有時直接轉寫再靠置信度掃低分句即可。鼓點強、人聲與人聲重疊、突然經過的車聲，則較值得先壓低非人聲頻段，或乾脆用未混 BGM 的對白軌重跑。
成片還能不能拆軌？ 若工程檔仍在，最省事的做法是：用乾淨人聲軌（或暫時 mute 配樂）做廣東話語音轉文字與校對，字幕定稿後再把 BGM 加回畫面。許多創作者的返工，其實來自「先混好再轉寫」這一步順序反了。
街訪與客服錄音若無法重錄，就要接受「可用底稿」而非「影院級字幕」：先求關鍵句、人名、數字正確，再決定要不要為社群片燒錄美觀樣式。
建議工作流：分離人聲 → 轉寫 → 先改低信心句
嘈雜素材較穩的順序是「對白優先，樣式最後」，而不是「整條成片一次過自動字幕」。
- 盡量用對白軌，或暫時壓低配樂。 剪輯軟件裡把 BGM 軌 mute、輸出一條僅人聲的音訊／影片再上載轉寫。若只有混音檔，可用簡單均衡略減低頻轟鳴，或用系統／剪輯軟件的人聲增強；不要過度削切，否則齒音失真會換另一種錯字。
- 鎖定風格再跑轉寫。 街拍 Vlog 可留部分俚語；教學、品牌、招聘偏書面語。風格不定，嘈雜段的「猜字」會更亂。細節見 廣東話口語轉書面語。
- 專有名詞進詞庫。 品牌名、地名、產品型號在噪音裡最易變近音字。先鎖詞庫，比事後逐集改同一錯字快。做法見 字幕自定義詞庫。
- 跑廣東話語音轉文字，並開啟可用的噪音／置信度提示。 先不要從第一句美化文筆：按低信心或被標為不清的句段跳讀，對照波形聽一次。否定詞、價錢、時間若錯，語意會翻案。
- 處理中英夾雜與填充詞。 meeting、deadline、brand 名要全片同一寫法；呢、啦、啊可按片種批量收斂，再人工只盯例外。中英夾雜規則見 中英夾雜字幕。
- 匯出
.srt（或.fcpxml／文字），接回剪輯軟件調樣式。 樣式、動畫、直式安全區在文字準了之後再做。Premiere、Final Cut、CapCut、DaVinci 的匯入路徑見站內各篇軟件指南。 - 發佈前靜音播一次。 嘈雜素材常有「字對了但時間飄」：對白被音樂蓋住時，模型切句會偏早或偏晚。靜音預覽比盯時間碼更能發現讀不完的行。
CantoSub AI 專為廣東話場景優化，可處理口語、潮語與中英夾雜，並把口語轉成書面語；支援 MP4、MOV 等影片與 MP3、WAV、M4A 等音訊，匯出 .srt、.fcpxml、.txt。平台標示廣東話辨識準確率可達九成以上（視音訊品質而變）。Model 2.0 提供噪音相關提示、段落置信度評分，以及俚語／填充詞等風格控制，方便先改低信心句而不是整篇平均用力。功能見 CantoSub 2.0；配額見 價格。新用戶有 30 分鐘免費試用、無需信用卡，從 註冊 開始。
配樂、街拍、Cafe：三種邊角怎麼拆
配樂已燒進成片： 若仍有專案檔，拆對白重跑幾乎總是正解。若只有匯出檔，可試：略降整段音量中的低頻、或用「人聲分離／人聲增強」類功能抽出近似對白再轉寫；抽出軌失真太重就退回混音檔，把校對時間集中在歌詞式錯字與專有名詞。歌詞被聽成對白時，直接刪掉該段字幕，不要硬留。
街拍與戶外訪問： 風噪優先用防風罩與領夾咪靠近嘴邊；後製只能小幅補救。兩人搶話時，字幕不必追求影院級講者標籤——先保證每句話屬誰大致正確、關鍵引語無誤。重疊太嚴重的段落，寧可縮短字幕、保留一句清楚的結論。
Cafe／開放空間長講： 冷氣底噪適合「直接轉寫 + 置信度掃讀」。長句容易在句末糊掉，校對時特別聽句尾否定與數字。若你固定在同一間 Cafe 拍，可把常出現的店名、地區名寫進詞庫，減少每集重複改字。
短片 vs 長片： Reels／TikTok／Shorts 觀眾靜音滑過，錯字更顯眼，但片短，值得為對白軌多花五分鐘。YouTube 長片可另上軟字幕方便搜尋與開關；嘈雜段的軟字幕一樣要校對，否則搜尋索引會吃進錯字。平台取捨見 軟字幕與燒錄字幕 與 YouTube 廣東話字幕。
校對清單：嘈雜片先掃什麼
打開草稿後，不要從頭精修文筆。嘈雜素材的高優先錯誤通常集中在同一幾類：
- 專有名詞與品牌寫法（噪音裡最易近音）
- 數字、價錢、日期、折扣
- 否定與條件（「唔好／不要」類一旦反轉，意思全錯）
- 中英夾雜拼寫是否全片一致
- 被音樂或路人聲「假生成」的多餘句
- 時間軸是否與口型／停頓大致對齊
- 最後才處理填充詞、標點與分行美感
若工具有置信度或「音訊不清」標記，先按標記跳讀，再全文靜音播一次。兩輪比「平均每句改一樣久」更省時間。步驟總覽亦可對照 廣東話字幕生成器使用步驟。
什麼時候該重錄，而不是繼續降噪
後製有上限。出現下列情況，重錄旁白或補一句清楚 take 通常更快：人聲長期低於環境聲；風噪把齒音削平；多人同時大笑、叫喊蓋過對白；你已降噪兩次，錯字位置卻幾乎沒變。重錄時可保留畫面，只換音軌——觀眾較難察覺，字幕品質卻會跳一級。
也要分清用途。內部會議底稿、採訪筆記，接受較高錯字率、只改關鍵資訊即可；對外品牌片、課程、付費內容，則應把「聽不清的對白」當成拍攝問題，而不是單靠字幕工具硬補。工具指標與選型另見 廣東話字幕工具怎麼選。
常見問題
問：一定要先降噪才做廣東話語音轉文字嗎？ 答：不必。穩定輕微底噪可直接轉寫，再按低信心句校對。配樂蓋人聲、風噪明顯、或你仍保有未混 BGM 的對白軌時，先分離人聲再轉寫通常更划算。
問：混好 BGM 的 MP4 還能救嗎？ 答：能做，但預期要多校對。優先試 mute 配樂重導一條對白版；若只有成片，可輕度人聲增強後重跑，並刪掉被歌詞誤聽成的句子。
問：置信度評分要怎樣用？ 答：把它當校對地圖，不是分數競賽。先改被標低分或音訊不清的段落，再全文靜音檢查專有名詞與數字。可把時間花在真正聽不清的幾句上。
問：街拍是否應該一律燒錄字幕？ 答：短影片平台觀眾常靜音，燒錄較穩；若同時上 YouTube 長片，可另備校對過的軟字幕方便搜尋與開關。無論哪種，嘈雜段的文字仍應先準再談樣式。
問：CantoSub 適合這類嘈雜素材嗎？ 答：適合作為粵語向的轉寫與書面語母帶工具，尤其需要中英夾雜、詞庫與置信度掃讀時。音訊過差仍需重錄或接受較高人工量；新用戶可用免費試用先以自己的街拍或配樂片實測。