一份 SRT 字幕怎么变成一条白板手绘动画？
一份 SRT 字幕怎么变成一条白板手绘动画？
一份 SRT 字幕文件，过一道六步流水线，就能变成一条白板手绘动画，今天这条 105 秒的视频就是这么出来的。流水线的六步是：拆幕、线稿、分区落墨、渲染、合并、配音。
先说踩的坑
文章写完想变成视频，卡点在两个地方：画面不会绘制，配音不会制作。绘画需要功底，配音需要设备，两堵墙一挡，多数人就把视频这件事放下了。
我也一样，文章会写，画面不会绘制，动画更是想都没想过。买了一堆教程，收藏了一堆软件，收藏夹越来越厚，视频始终停在想法里。直到把这条流水线搭起来才发现，两个卡点都可以交给流程：画面交给线稿和落墨，配音交给上一篇的 edge-tts。
后来想明白，缺的不是手艺，是一条把活拆小的流水线。手艺要练十年，流水线今天搭今天用。把大活拆成六个小步骤，每一步都有工具接手，人就只需要做串联和检查。
这就是这篇文章最想传递的一件事：不会绘制，可以让流程替你绘制；你要做的，是把每一步要喂给它的东西准备清楚。
原理：字幕说到哪里，画面就绘制到哪里
白板动画的本质是一句话：字幕说到哪里，画面就绘制到哪里。观众看着笔尖在纸上移动，旁白说完一句，画面就多出一笔。
为什么用 SRT 文件当剧本？因为 SRT 自带时间轴，每一句话从第几秒开始、到第几秒结束，文件里写得明明白白。旁白的时间轴就是画面的分镜表，这是现成的导演脚本，不用另外制作。
SRT 文件长什么样？一个序号，一行起止时间，一句台词，三样循环往复。它本来是给播放器挂字幕用的，但是这三样东西恰好就是分镜需要的全部信息。
这就是整条流水线的地基：SRT 管时间，流水线管画面，配音管声音。三者都对齐到同一个时间轴上，成片就成立；错开一点，观众立刻能察觉出割裂。
白板动画还有一层好处：绘制过程本身就是内容。观众看着线条一点点生长，注意力会跟着笔尖走，这比一张静态图多留住好几秒。
有人担心不会剪辑。这条流水线里没有剪辑的环节，画面是按时间轴直接渲染出来的，配音是逐句对齐进去的。剪辑这件事被流程消化掉了，你碰都不用碰。
实操：六步流水线
下面按顺序过一遍六步，每一步都有今天的真实输出可以核对。
第一步，拆幕。旁白写好，保存成 SRT 文件，然后交给 parse_srt.py 拆幕。拆幕按叙事节奏分段，不是机械地按句号切，每一幕对应一个完整的叙事段落。
SRT 文件怎么来？旁白稿写好，一句一行，配上起止时间，存成 .srt 后缀的文本文件。它就是一个普通的文本文件，任何编辑器都打开得了。
别小看这个文本文件，它是整条流水线的源头。源头稳了，后面每一步才有依据。
今天的真实拆幕结果：一份完整的 SRT 被拆成 4 幕，各幕时长分别是 32 秒、29 秒、29 秒和 13 秒。每一幕讲透一件事，幕与幕之间是递进关系。
拆完顺手检查了一遍：最长的一幕 32 秒，最短的一幕 13 秒，时长差得不少，但是每一幕的意思都完整。时长不必平均，意思完整才是标准。
为什么按叙事节奏切，不按句号切？因为句号只管一句话的结束，不管一段话的意思完整。按句号切出来的幕，画面换了，话说了一半；按节奏切出来的幕，每幕自成一段，观众不用回头补课。
第二步，线稿。每一幕先绘制米色纸底的线稿，把这一幕要出现的元素摆好位置。线稿阶段不追求细节，追求的是构图不返工。
米色纸底不是随便选的，它是白板动画的质感来源：纸的颜色定住了，笔迹才有落点，整条视频看起来才像在一张纸上画出来的。
第三步，分区落墨。把线稿分成区域，逐区上墨。台词说到人物，笔尖就勾勒人物；台词说到数字，笔尖就写下数字。
分区的意义在顺序可控：先画什么，后画什么，跟着台词的进度排好。观众看到的每一笔，都出现在它该被说到的那一刻，这就是「说到哪里画到哪里」的落地方式。
分区还有一个隐性好处：一幕里画错了某一区，重画那一区就行，不用整幕推倒重来。误差被关在小格子里，这是流水线思维一贯的打法。
第四步，渲染。逐帧把落墨的过程渲染出来，观众看到的就是笔画一点点生长的效果。
第五步，合并。4 幕全部渲染完成，按时间轴合并成完整视频。合并这一步看似只是拼接，其实也是在核验：哪一幕接不上，回炉哪一幕。
第六步，配音。这一步直接调用上一篇的 edge-tts，17 句台湾腔配音一句一句生成，一句一句对齐。配音进片，声音和笔尖就同步了。
配音为什么要逐句生成？因为逐句生成的文件，每一句都能单独替换。哪一句的效果不满意，重新生成那一句就行，不用整条重来。
全流程结束，盘点一下今天的交付物：105 秒的成片一条，17 句台湾腔配音，4 幕米色纸底的手绘线稿。每一项都对应流水线里的一步，没有多余环节，也没有缺失环节。
这套流水线搭好一次，以后就是重复使用。下一篇视频进来，还是这六步，还是这套检查，产能就这么稳定下来了。
交付物里的数字还可以互相咬合：4 幕线稿对应拆幕的 4 幕输出，17 句配音对应 SRT 里的 17 句台词，105 秒对应整份字幕的时间轴。数字对得上，流水线才算真的成立。
两个常见的坑
这条流水线有两个常见的坑，都埋在对齐上。
第一个坑：SRT 的时间轴不准。字幕时间错了，笔尖的动作和旁白的内容就对不上，观众一眼看出割裂。SRT 里的起止时间，要按配音的实际时长来定，不能凭感觉填。
时间轴还有一个隐蔽的坑：中英文混排或者数字多的句子，配音读出来的长度和目测的不一样。保险的做法是每句配音生成之后核对一遍时长，再写进 SRT。
第二个坑：一幕塞太多东西。一幕要呈现的元素太多，笔画还没收尾，字幕已经跑到下一句。拆幕的时候守住一条：一幕只说一件事，说不完就再拆一幕。
判断一幕是不是太满，有一个简单的标准：这一幕画完的时候，台词刚好说完吗？说完了，量就合适；差得远，就再拆。
这两个坑的共同点，是把问题暴露在成片之后。对齐这件事要在拆幕的时候就抓好，核对得越早，返工的成本越低。
写在最后：系列完结
写到这里，这个系列的 20 篇全部完结。回到最开始那个主题：一尺宽，一公里深。
这 20 篇写的都是小得不能再小的问题：AI 写作的翻译腔，排版的样式丢失，封面的裁切，标签的残片，配音的门槛，字幕的变身。但是每一个小问题都给了一个能直接上手的解法，写作、配图排版、发布、运营、视频配音，五组合起来就是一条完整的链条。
小不等于不值钱。读者带着具体的麻烦来搜索，你的答案正好接住他，这就是关注发生的时刻。大词谁都写，把窄问题说清楚的人少，这就是窄问题的机会所在。
这篇文章本身也是一次示范：一条 105 秒的视频，17 句配音，4 幕线稿，全部出自前面几篇写过的工具和流程。系列里的方法不是孤立的，串起来就是一条从文章到视频的生产线。
这个系列从头到尾只做一件事：把大词换成小动作。效率这个词，换成排版从 30 分钟变成 3 秒；提效这个词，换成配音 3.0 秒生成一条；做成视频这个词，换成 4 幕线稿加 17 句对齐的 105 秒成片。小动作才能照着做，做完了才敢说会了。
如果你刚看到这一篇，不要从这里开始，回到第 1 篇，一个一个做下来。20 个问题，20 个解法，做完一遍，这些小问题就再也拦不住你。流量池就是这样一点点攒出来的，从第一篇开始，今天就是最好的动手日子。
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师，17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。 看完整履历海报 → skills 实验室 →
发表评论: