AI 视频自动烧出乱码字幕：11 种提示词都没用之后的解法
本文点数与规格以 TWno1 实际计费设置为准，最后核对：2026-10-05
只要台词写进提示词，AI 视频就会烧出错字字幕；2026 年 9 月我们换了 11 种写法，一种都没挡住。
比例并不低。在一种视频模型上，带台词的 8 格全部烧字；另一种模型，一批 19 条全部烧字。下面按顺序讲：为什么写“不要字幕”没用，我们做示范剧时怎么处理，这套处理要付出什么，最后是另一类乱码：道具和招牌上的字。
三种“多出来的字”，处理方法不同
| 类型 | 表现 | 来源 | 处理方向 |
|---|---|---|---|
| 烧进画面的台词字幕 | 画面下方一行字，内容像台词，夹着错字怪字 | 提示词里有台词原文 | 检测＋重新生成；不行就把台词移出提示词 |
| 物件上的字 | 公司名、招牌、文件标题画成乱码 | 模型写不好密集汉字，还会自己加剧本没有的字 | 只允许剧本指定的字，写错的在后期改 |
| 没要求的水印或 logo | 角落多出标志 | BytePlus 文档说这类东西可能不请自来 | 重新生成，或后期裁掉 |
试过哪些写法，为什么都没用
触发条件很简单：台词原文写进了提示词。我们的猜测是模型把引号里的话当成画面上应该出现的文字，我们读过的厂商文档都没有证实这个机制。
我们一共换了 11 种写法：加重语气的“不要字幕”、改成英文、干脆不提字幕，全部无效。还试过要求画面上下留黑边，想把字幕引到黑边上，同样无效。
BytePlus 在 Seedance 2.0 提示词指南里说得很直接：模型无法可靠地防止字幕出现，写“不要字幕、不要文字”只能降低概率；横屏画面出现字幕的情况比竖屏少。
短剧基本是 9:16 竖屏，正好落在更容易冒字幕的那一边。
这里还有个两难。想让模型直接生成带对白的声音，厂商文档会让你把台词写进提示词：BytePlus 的 API 页面说台词放在双引号里音频效果更好，Google 的 Veo 文档也让你把要说的话放进引号。原生配音和烧字，来自同一个写法。
我们做示范剧时用的处理流程
- 每条视频抽 8 帧画面做 OCR（文字识别，把画面里的字读出来）。
- 读到不该有的字，换随机种子重新生成，最多 2 次。
- 两次之后还烧字，改做一个“提示词里不放台词”的版本。我们试过的这个版本，3 条里 0 条烧字。
- 这个版本没有原生对白，声音另外配音，再做对口型。
| 步骤 | 累计生成次数 | 得到什么 |
|---|---|---|
| 首次生成 | 1 | 有原生对白，可能烧字 |
| 换种子重新生成 2 次 | 3 | 有机会抽到干净的一条 |
| 无台词版本 | 4 | 3 条样本未烧字；配音、对口型要另外做 |
最坏情况下一格要生成 4 次。我们的判断是：如果整集都是对话戏，不如直接从第 4 步开始，省掉前面三次赌运气。前提是你的配音和对口型流程够稳，这一条是推断，没有实测过。
招牌、文件、工牌上的字
另一类乱码出在物件上：公司名被画成怪字，因为出图模型写不好密集的繁体字；模型还会自己加字，比如剧本没写的房间号、工牌。
我们做示范剧时用的规则是：
- 画面上的字，只允许剧本逐字写明的文字，剧本没写的字一律不采用。
- 字越短越好；画出来还是怪字，就在后期把正确的字叠上去。
核心就一句：不让模型自由写字。它自己加的字经常是乱码，内容也可能和剧情对不上。
厂商说能写字，能信几分
有厂商确实宣称模型能渲染文字。BytePlus 说 Seedance 2.0 能写常用字、标语、字幕和对话气泡，建议避开生僻字和符号；Google 说 Omni Flash 只要把要出现的文字逐字写出来，画面上的字就能看清。这些都是厂商说法，不是独立测量。
| 来源 | 说法或结论 | 性质 |
|---|---|---|
| BytePlus Seedance 2.0 指南 | 能渲染常用字、标语、字幕；避开生僻字 | 厂商宣称 |
| Google Omni Flash 文档 | 逐字写出文字即可读 | 厂商宣称 |
| 阿里云 Wan 3.0 正式发布文章 | 画面文字渲染准确度仍在完善 | 厂商自述局限 |
| VTR-Bench（2026-10 预印本） | 11 个模型、300 条提示词，普遍难以正确渲染场景文字 | 研究，未经同行评审 |
| VidScribe（2026-09 预印本） | 803 个样本、11 个系统；图生视频保留文字最好，视频编辑类的文字修改是主要瓶颈 | 研究，未经同行评审 |
| AVGen-Bench（2026-04 预印本） | 画面美感再好，文字渲染依然常出错 | 研究，未经同行评审 |
我们的理解是：厂商说的“能写字”，指你主动要求、而且字不难写的情况；你不想要字的时候它会不会自己写，是另一个问题，对短剧来说偏偏是后者更要命。
字幕为什么必须后期加
就算模型把字写对了，烧进去的字幕也达不到规格。Netflix 的简体中文字幕规范是每行最多 16 个字、最多 2 行、成人阅读速度每秒最多 9 个字。我们做示范剧时用的成片标准还要求每条字幕至少显示 1 秒、位置在播放器底部操作栏之上、每句字幕和语音的起止误差不超过 100 毫秒。
这些条件，生成模型一样都控制不了。后期字幕能改错字、换语言、调位置，烧进去的字只能整格重做。TWno1 的公开说明也是这个思路：生成视频里招牌、字幕上的文字可能变形，字幕请后期添加。
这套方法的局限和不适合的情况
- 抽 8 帧可能漏。 一闪而过的半秒字幕刚好落在两帧之间就抓不到。这是推断，漏检率没有测过。
- 0/3 样本太小。 无台词版本不烧字只试了 3 条，换题材、换模型都可能不一样。
- 无台词版本没有原生对白。 对口型做得不好，嘴型对不上，有时比一行错字还出戏。
- 画面里的字本身就是剧情时不适用。 比如要让观众看清一封信的特写，直接后期叠字，别指望模型写对。
字幕既然放在后期加，视频文件就得能完整拿出来。TWno1 的成片可以下载成普通视频文件，导入你常用的剪辑软件，按每行 16 字、每秒 9 字的规格自己上字幕。烧了字的镜头要在下载之前处理掉，字一旦烧进画面，剪辑软件也去不掉。
延伸阅读：提示词写了“镜头不动”，AI 视频镜头照样乱动怎么办、AI 视频按 token 计费和按秒计费怎么算？Seedance、Omni Flash、Veo 实算对比、AI 短剧景别分配规则：244 格分镜只有 4 格远景之后。
常见问题
AI 视频为什么会自己出现乱码字幕？
最常见的触发条件是把台词原文写进了视频提示词。台词一进提示词，就常被画成画面上的字，而且错字很多。我们试过 11 种提示词写法，包括加重语气、改用英文、完全不提字幕，都没能阻止 AI 视频烧字。
提示词里写“不要字幕”有用吗？
只能降低概率，不能保证。BytePlus 的 Seedance 2.0 官方指南说模型无法可靠防止字幕出现，写“不要字幕、不要文字”只是让概率变低，而且竖屏比横屏更容易出现字幕。以上为 2026-10-05 查证的文档内容。
AI 视频烧字以后怎么处理最省事？
我们做示范剧时用的流程是每条视频抽 8 帧做 OCR，发现烧字就换随机种子重新生成最多 2 次，仍然烧字就改做提示词里不放台词的版本，声音另外配音并做对口型。最坏情况下一格要生成 4 次。
AI 视频里招牌和文件上的字是乱码怎么办？
只让模型画剧本逐字写明的文字，字越短越好；画出来仍是乱码，就在后期把正确的字叠上去。我们做示范剧时，模型自己加的房间号、工牌等文字一律不采用。
AI 短剧字幕应该烧进视频还是后期加？
后期加。字幕有明确规格，比如 Netflix 中文字幕每行最多 16 个字、最多 2 行、每秒最多 9 个字，还要和语音同步；生成模型控制不了这些，烧进去的字也改不了，只能整格重做。
参考资料
- BytePlus ModelArk：Seedance 2.0 系列提示词指南（查证 2026-10-05）
- BytePlus ModelArk：创建视频生成任务 API（查证 2026-10-05）
- Google Gemini API：Omni Flash 文档（查证 2026-10-05）
- 阿里云：Wan 3.0 正式发布说明（查证 2026-10-05）
- VTR-Bench（arXiv 2610.01499，预印本）（查证 2026-10-05）
- VidScribe（arXiv 2609.36598，预印本）（查证 2026-10-05）
- AVGen-Bench（arXiv 2604.08540，预印本）（查证 2026-10-05）
- Netflix：简体中文字幕规范（查证 2026-10-05）