AI 影片自己燒出亂碼字幕：11 種提示詞都擋不住之後怎麼辦
本文點數與規格以 TWno1 實際計費設定為準，最後核對：2026-10-05
台詞一放進提示詞，AI 影片就會燒出錯字字幕：我們 2026 年 9 月試了 11 種寫法，都擋不住。
燒字的比例不是零星幾格。在一種影片模型上，有台詞的 8 格全部燒字；另一種模型，一批 19 支全燒。這篇講三件事：為什麼「叫它不要出字幕」沒用、我們做示範劇時怎麼處理、這個處理要付出什麼代價。最後也會談另一種亂碼：道具和招牌上的字。
先分清楚：你遇到的是哪一種亂碼
| 類型 | 長什麼樣 | 從哪來 | 處理方向 |
|---|---|---|---|
| 燒進畫面的台詞字幕 | 畫面下方出現一行字，內容像台詞，但有錯字或怪字 | 台詞文字出現在提示詞裡 | 檢查＋重生成；不行就把台詞移出提示詞 |
| 物件上的字 | 公司名、招牌、文件標題畫成怪字 | 模型寫不好密集的中文字；也會自己加劇本沒有的字 | 只允許劇本指定的字，寫錯的在後製改 |
| 沒要求卻冒出的浮水印或 logo | 角落多一塊標誌 | BytePlus 文件說這類東西可能不請自來 | 重生成，或後製裁切 |
這三種的解法不一樣，混在一起處理會白花工。
我們試過哪些寫法
觸發條件很單純：把台詞的文字寫進提示詞。我們的推測是，模型看到一段引號裡的話，會把它當成畫面上要出現的字；我們讀過的廠商文件都沒有證實這一點。
我們試了 11 種寫法，包括語氣加強的「不要字幕」、改用英文寫、乾脆完全不提字幕。全部擋不住。另外試過在提示詞裡要求畫面上下加黑邊，想把字幕引到黑邊上、不壓在畫面裡，一樣沒用。
這跟廠商自己的說法是吻合的。BytePlus 的 Seedance 2.0 提示詞指南很坦白：它沒辦法可靠地防止字幕出現，寫「不要字幕、不要文字」只能降低機率；同一份指南還說，橫式畫面出現字幕的情況比直式少。
這一點對短劇特別不利。短劇多半是 9:16 直式，剛好是比較容易冒字幕的那一邊。
還有一個兩難。要讓模型直接生出有對白的聲音，廠商文件會叫你把台詞寫進提示詞：BytePlus 的 API 頁面說台詞放在雙引號裡音訊效果較好，Google 的 Veo 文件也教你把要說的話放進引號。換句話說，想要原生配音，就得冒燒字的風險。
我們做示範劇時用的處理流程
- 每支片抽 8 張畫面做 OCR（光學文字辨識，把畫面裡的字讀出來）。
- 讀到不該有的字，就換亂數重生成，最多 2 次。
- 兩次後還燒字，改做一個「提示詞裡不放台詞」的版本。我們試過的這個版本 3 支裡 0 支燒字。
- 這個版本沒有原生對白，聲音改用另外配音，再補對嘴。
代價要先講清楚：一格最壞要生成 4 次（原本 1 次、重生成 2 次、無台詞版 1 次）。而且走到第 4 步，對嘴就成了另一道要檢查的工序。
| 步驟 | 生成次數累計 | 換來什麼 |
|---|---|---|
| 原始生成 | 1 | 有原生對白，可能燒字 |
| 換亂數重生成 2 次 | 3 | 有機會抽到沒燒字的版本 |
| 無台詞版本 | 4 | 我們的 3 支樣本沒燒字，但聲音要另外配、另外對嘴 |
如果整部劇都是對白戲，我們的看法是：直接從第 4 步開始，比每格先賭三次划算。這是推論，前提是你的配音與對嘴流程夠穩。
招牌、文件、名牌上的字
第二種亂碼出在物件上。公司名被畫成怪字，原因是出圖模型寫不好密集的繁體字；更麻煩的是，模型會自己加字，例如劇本沒寫的房號、名牌。
我們做示範劇時用的規則：
- 畫面上的字，只允許劇本逐字寫明的文字，劇本沒寫的字一律不採用。
- 字越短越好；畫出來還是怪字，就在後製把正確的字疊上去。
規則的重點是「不讓模型自由寫字」。它自己加的字，常常是亂碼，內容也可能跟劇情對不上。
廠商說「能寫字」，可以信多少
幾家廠商確實說自己的模型能渲染文字。BytePlus 說 Seedance 2.0 能寫常見字、標語、字幕和對話框，但建議避開生僻字與符號；Google 說 Omni Flash 只要你把要出現的文字逐字寫出來，畫面上的字就能讀。這些是廠商宣稱，不是獨立測量。
| 來源 | 說了什麼 | 性質 |
|---|---|---|
| BytePlus Seedance 2.0 指南 | 能渲染常見字、標語、字幕；避開生僻字 | 廠商宣稱 |
| Google Omni Flash 文件 | 逐字寫出文字，畫面上就能讀 | 廠商宣稱 |
| 阿里雲 Wan 3.0 上線文章 | 畫面文字的渲染準確度仍在成熟中 | 廠商自承限制 |
| VTR-Bench（2026-10 預印本） | 11 個模型、300 條提示詞，普遍難以正確渲染場景文字 | 研究，未經同儕審查 |
| VidScribe（2026-09 預印本） | 803 個樣本、11 個系統；圖生影片保留文字最好，影片轉影片的文字編輯是主要瓶頸 | 研究，未經同儕審查 |
| AVGen-Bench（2026-04 預印本） | 即使畫面美感很好，文字渲染仍持續失敗 | 研究，未經同儕審查 |
我們的讀法是：廠商說的「能寫字」，指的是你明確要求它寫、而且字不難的情況；你不要字的時候它會不會自己寫，是另一回事。後者才是短劇的痛點。
為什麼字幕一定要後製加
就算模型能把字寫對，燒進畫面的字幕還是不合格。字幕有它的規格：Netflix 的繁體中文字幕規範是每行最多 16 個字、最多 2 行、成人每秒最多 9 個字。我們做示範劇時用的成片標準是每條至少顯示 1 秒、位置要在播放器底部介面之上、字幕和語音每句起訖誤差不超過 100 毫秒。
這些條件，生成模型一個都控制不了。後製字幕還能改錯字、換語言、調位置；燒進去的字只能整格重做。TWno1 的公開說明也是同一個方向：生成影片裡的招牌、字幕文字可能變形，字幕請在後製加。
這套做法的限制，以及什麼情況不適合
- 抽 8 張可能漏。 字幕只閃半秒、剛好落在兩張取樣之間，就抓不到。這是推論，我們沒有量過漏抓率。
- 0/3 是很小的樣本。 無台詞版本「不燒字」只試了 3 支，換題材、換模型都可能不同。
- 無台詞版本會失去原生對白。 對嘴補得不好，觀眾看到的嘴型對不上，有時比一行錯字更出戲。
- 要「畫面裡有字」當設計元素的鏡頭不適合這套流程。 例如一張信紙特寫要讓觀眾讀內容，建議直接後製疊字，不要期待模型寫對。
字幕既然要後製加，影片檔就得帶得走。TWno1 的成品可以下載成一般影片檔，放進你慣用的剪輯軟體，照每行 16 字、每秒 9 字的規格自己上字幕。燒了字的那一鏡要在下載前處理掉：字一旦燒進畫面，剪輯軟體也拿不掉。
延伸閱讀：提示詞寫了「鏡頭不動」，AI 影片鏡頭還是亂動：五種改寫法、AI 影片按 token 計價和按秒計價怎麼算？Seedance、Omni Flash、Veo 實算對照、AI 短劇景別怎麼分配：244 格分鏡只有 4 格遠景的教訓。
常見問題
AI 影片為什麼會自己出現亂碼字幕？
最常見的觸發條件，是把台詞文字寫進了影片提示詞。台詞一進提示詞，就常被寫成畫面上的字，而且常有錯字。我們試過 11 種提示詞寫法，包括加強語氣、改用英文、完全不提字幕，都擋不住。
在提示詞寫「不要字幕」有用嗎？
只能降低機率，不能保證。BytePlus 的 Seedance 2.0 官方指南說它無法可靠防止字幕出現，加上「不要字幕、不要文字」只是讓機率變低，而且直式畫面比橫式更容易出現字幕。以上為 2026-10-05 查證的文件內容。
AI 影片燒字之後怎麼處理最省事？
我們做示範劇時用的流程是每支片抽 8 張畫面做 OCR，抓到燒字就換亂數重生成最多 2 次，仍然燒字就改做提示詞裡不放台詞的版本，聲音另外配音並補對嘴。這個流程最壞一格要生成 4 次。
AI 影片裡招牌和文件上的字是亂碼怎麼辦？
只讓模型畫劇本逐字寫明的文字，字越短越好；畫出來仍是怪字，就在後製把正確的字疊上去。我們做示範劇時，模型自己加的房號、名牌這類文字一律不採用。
AI 短劇的字幕應該燒進影片還是後製加？
後製加。字幕有明確規格，例如 Netflix 繁體中文字幕每行最多 16 字、最多 2 行、每秒最多 9 字，還要和語音同步；生成模型控制不了這些條件，燒進去的字也無法修改，只能整格重做。
參考資料
- BytePlus ModelArk：Seedance 2.0 系列提示詞指南（查證 2026-10-05）
- BytePlus ModelArk：建立影片生成任務 API（查證 2026-10-05）
- Google Gemini API：Omni Flash 文件（查證 2026-10-05）
- 阿里雲：Wan 3.0 正式上線說明（查證 2026-10-05）
- VTR-Bench（arXiv 2610.01499，預印本）（查證 2026-10-05）
- VidScribe（arXiv 2609.36598，預印本）（查證 2026-10-05）
- AVGen-Bench（arXiv 2604.08540，預印本）（查證 2026-10-05）
- Netflix：繁體中文字幕規範（查證 2026-10-05）