博客 · English

一个汉字,对上一个音符:卡拉OK字幕是怎么扫亮的。

2026-11-22 · mkok

做一条歌词视频,最耗时间的从来不是好看,是「对齐」:一句歌词八个字,每个字在哪一拍亮起来,手工卡点要拖一整天,而且改一次编曲就得重来。

mkok 的思路很不一样:不去「听」歌,而是去「读」谱。给它一条从编曲工程里单独导出的主旋律 MIDI,音符的起点、长短本来就是精确的时间;歌词按顺序一个一个对上去,对齐这件事就变成了数数。

为什么不猜,而是对

另一种做法是语音识别加强制对齐:让机器听出歌里在唱什么,再把歌词和声音对上。听起来更聪明,但在唱歌这件事上很不稳——拖腔、和声、混响、人声忽大忽小,都会让识别对错位置,而且错了以后你很难知道错在哪一句。

MIDI 没有这些问题。你写这首歌的时候,旋律就是按音符写的:第 3.2 秒弹的是「床」,第 3.75 秒弹的是「前」。时间信息本来就在谱子里,不需要再从声音里反推。

代价也很明确:你得有一条主旋律 MIDI。这个门槛换来的是「严格一一对应」——对不上就报错,而不是悄悄含糊过去。

歌词怎么切:一个字,一个词,还是一个音

歌词文件就是一个 txt。切分规则只有几条:

同一份歌词会同时排出横屏和竖屏两套行,不用写两遍。

对齐:按顺序把音符领走

算法一句话能说完:把选中的那条轨上所有音符按时间排好,歌词的每个单元依次领走它需要的音符。

一个字领走几个音符,它的高亮就从第一个音符的起点开始,持续到最后一个音符结束——不是固定时长,也不是「到下一个字为止」。所以拖腔会自然而然地扫得慢,快嘴会扫得快。

领多了、领少了,都会当场报错,并且精确到「第几行、第几个字、需要几个音符、还剩几个」。这是刻意的:一条字幕错位,比一张报错信息难查得多。

一行什么时候出现在屏幕上?第一个音符之前 2 秒淡入(让人来得及看),但不早于上一行结束后 0.5 秒;最后一个音符之后 0.5 秒消失。长间奏会把整行清掉,不把上一句留在屏幕上发灰。

「扫亮」具体是怎么画的

高亮的进度是一个 0 到 1 的比例:已经过的时间 ÷ 这个字的总时长。画的时候,把整个字形当作一张图,在「比例 × 宽度」的位置裁一刀:左边是亮色,右边是未亮的颜色。

这条分界线本身有大约 1 像素的羽化,靠一张极窄的灰度渐变蒙版做出来——所以放大看也不会是一条生硬的直边,而是一道有厚度的光。

发光是同一套思路的叠加:把字形偏移、上色、模糊,叠几层(默认 3 层)。闪烁和呼吸只是让这几层的强度随时间起伏。粒子也完全确定:每个字的粒子用「字的位置 + 第几颗」算出来的固定随机数,所以同一份工程每次导出,粒子飞的路径一模一样,不会这次好看下次难看。

预览和导出为什么一定一样

很多工具的通病是「预览好看,导出崩了」——因为预览用一套渲染,导出用另一套。

mkok 只有一套渲染器(Core Text + Core Graphics,没有 Metal,也没有 Core Image),预览、透明导出、烧入导出都调它。这不算优化,是结构上的保证:只要预览是对的,导出就不可能对不上。

还有一个细节:导出开始时会拿走一份样式的深拷贝。否则你在导出的十分钟里随手把字号调大,前后帧就会不一致——导出中途还能改设置,本身就是个陷阱。

透明通道:一个容易翻车的地方

字幕单独导出成带 alpha 的 ProRes 4444,是 mkok 最被需要的能力:直接叠进剪辑工程,不用再抠像。

这里有个坑。系统渲染出来的像素是预乘 alpha 的——颜色已经乘过透明度。如果直接把它交给编码器,半透明边缘的颜色会被再压暗一次,叠到别的画面上就出现一圈黑边。所以每写一帧之前,必须先用 vImage 把预乘拆掉。这一步用系统优化过的实现是每帧 4.68 毫秒,手写循环要 41.33 毫秒,差近十倍——十分钟的片子就是几分钟的等待。

导出完还没完:mkok 会把成品读回来,逐帧取第四个字节(alpha)做直方图,三次采样里只要有一次真的存在透明像素,才算通过。「以为导出了透明通道」和「真的导出了」,是两件事。

两种导出,各自的规矩

.mov(ProRes 4444)是母版:画质近乎无损,音频尽量原样直通。体积也大得吓人——纯字幕大约每帧 253 KB,带背景视频大约 1.36 MB,是前者的五倍多。十分钟的带背景母版就是一万八千帧,二十多个 GB 很正常。

.mp4(H.264)是分享版:码率 12 Mbps,音频统一重编成 AAC 192k。有一个必须承认的限制——mp3 音轨塞不进 mp4,硬塞会变成无声。所以 mp4 永远重编音频,而 .mov 才谈得上直通。想要真正无损的音频,导 .mov。

格式菜单下面有一行体积预估,按下导出之前就能知道要占多少硬盘。

刻意没做的几件事

不做自动识别歌词。语音识别在唱歌上的准确率还撑不起「一条视频」的要求,而错一处就要从头查。宁可要求一条 MIDI,也不给一个看起来省事、实际要返工的功能。

不上传素材。整条链路在这台 Mac 上完成。唯一的网络通信是 Mac App Store 的内购。

示例工程可以直接免费导出。内置的 demo 不动输入项就能导,用来试格式、试体积、试工作流——先看到产物,再决定要不要买。

Windows 版也做了独立安装包,在官网上单独发布。

看看 mkok

Mac App Store:id6819608702 · macOS 15.0 或更高 · 免费下载,导出一次性买断,永久使用,不自动续费

继续读

产品族: 海狮 海猫 海葵 海蛛 海鹞 海星 海狗 囧 WBXL Xultray webapp
雨燕 templateJS skiafy tranid 姨妈记 稳压记 舞替 轻跑 mkok 网址导航 原创歌曲
(C) 2026 抓糖网 版权所有
本站用 Google Analytics 和一份自有访问日志统计访问量(记录 IP、访问的页面与来源页,不设 cookie),只用来改进页面;App 本身不含任何统计 SDK。
媒体素材 / Press Kit · 博客

update: 2026-11-22