Cantonese Subtitles for Faceless YouTube: A 30-Second MP3 and SRT Benchmark for CapCut
Build a practical Cantonese narration and subtitle workflow for a faceless YouTube channel. This guide uses a thirty-second short as a defined benchmark, covering local dialogue, matching MP3 and SRT files, CapCut import, readable caption lengths, and suspenseful timing. It also separates generation claims from editing and review time, with transparent cost calculations.
以三十秒成片定義核對工作量；呢個係案例規格，並非已驗證嘅生成耗時。示範音檔實際長度須另行讀取確認。
三十秒成片完整覆聽兩次，計算為 30 × 2 = 60 秒，未計暫停、改字、移動字幕及重新輸出。
按假設人工每小時 HK$300，六十秒純覆聽成本為 300 × 60 ÷ 3600 = HK$5；呢個係工時試算，未計平台費用或其他製作工序。
Create Cantonese subtitles from the final narration script, pair the SRT with its matching MP3, and import both into CapCut where supported. Align their starting points, then review pronunciation, caption breaks, and suspense pauses. A thirty-second example defines the test scope; it does not establish a universal generation speed.
Compare Flat Reading vs. Directed Cantonese Emotion
「凌晨兩點，我明明鎖咗門，走廊卻傳嚟三下敲門聲。我望住門眼，外面一個人都冇。手機突然亮起，訊息得一句：唔好開門，我仲喺你屋企。」
Write Natural Hong Kong Cantonese Before Timing the Suspense
無露臉懸疑片主要靠聲音建立畫面。句子太長，觀眾要一路聽一路追字幕；開場太早交代答案，後面再加音效都難補返張力。先寫清楚角色當時知道幾多，再將每句拆成一個動作或發現，聲線先有位置放慢、收細同停一停。
原稿（書面語）vs 執靚後（地道香港口語）逐字對比如下。原稿（書面語）：「凌晨兩點，我已經把門鎖好，卻聽見走廊傳來三次敲門聲。我從門上的窺視孔向外看，外面沒有任何人。」執靚後（地道香港口語）：「凌晨兩點，我明明鎖咗門，走廊卻傳嚟三下敲門聲。我望住門眼，外面一個人都冇。」其中「明明」建立反常感，「三下」貼近日常講法，「門眼」亦比完整書面描述更適合旁白。
本文提供嘅兩個播放器屬不同示範素材，用嚟分別聽敘事方式同懸疑聲線，未經核對不可當成同稿前後測試。上方示範稿可用作另行生成嘅素材。選用 cantonese-thriller-narrator 同 fearful 設定後，仍要覆聽，確認恐懼語氣有冇蓋過字音，尤其係句尾、氣聲同細聲位置。
- 先定稿「鎖咗門」、「傳嚟」、「一個人都冇」等口語字詞，字幕保留同一版本。
- 懸疑停頓放喺資訊轉折，例如望完門眼之後，避免每句都用同樣長度嘅空白。
- 先核對人名、地名、數字同英文讀音，再生成正式旁白及字幕配對。
Keep the MP3 and SRT Tied to the Same Script and Render
MP3 負責聲音，SRT 負責每段文字嘅開始同結束時間。兩者使用同一份定稿，可以減少旁白講「冇人」、字幕卻寫「沒有任何人」嘅版本分歧。不過，同源腳本本身唔代表逐字同步；同一句文字換聲線、語速或情緒，實際發聲長度都可能唔同，時間碼必須對應你最後採用嘅音訊。
下載配對檔案時，可以用相同主檔名管理，例如 thriller_take01.mp3 同 thriller_take01.srt。保留文字稿、聲線同生成版本嘅紀錄，之後改一句都知應該重做邊一組。若平台當次輸出冇提供配對 SRT，就要另行建立字幕並對時，唔好將另一個版本嘅時間碼直接套上去。
SRT 嘅時間格式包含時、分、秒同毫秒，例如開始 00:00:03,200，結束 00:00:05,600，即該段顯示 2.4 秒。字幕文字一樣，時間碼亦可以完全唔同。當你喺剪接軟件刪走旁白中間一段靜音，後面嘅字幕通常都要跟住前移；若只改聲音而冇處理字幕，就會逐段走位。
- 正式交剪接嘅 MP3、SRT 同文字稿，使用同一版本編號。
- 改聲線、語速、情緒或插入靜音之後，重新產生或校正對應時間碼。
- 核對字幕有冇重疊、結束早過開始，以及尾段超出旁白長度。
Import into CapCut and Check Caption Timing on a Phone
先喺 CapCut 建立項目、設定畫面比例，再匯入 MP3 放到音軌。使用具備本機字幕檔匯入功能嘅版本時，喺文字或字幕相關面板揀選匯入 SRT，將字幕軌同旁白放喺相同起點。介面名稱同功能供應會隨版本、裝置及地區改變；搵唔到入口時，先核對你用緊嘅版本是否支援，必要時轉到支援字幕匯入嘅桌面版本處理。
開聲播放第一句，再跳到中段同最後一句抽查。如果三個位置都固定遲半秒，可以先整組平移字幕；如果越播越遲，就要檢查係咪用錯音訊版本、調過速度，或者中途刪過片段。整組平移只適合固定偏差，累積偏差要返到相應片段逐段處理。
直向短片可以先試每行約 10 至 14 個中文字、最多兩行，作為排版起點。字體大小、手機尺寸同閱讀速度都會影響結果，呢個數字唔係硬性標準。盡量喺完整語意之間斷行，例如「我望住門眼」同「外面一個人都冇」分開顯示；英文字母同數字另計實際佔位。懸疑片尤其要避免太早顯示結局字幕，否則觀眾會比旁白早一步知道答案。
- 用第一句、中段、最後一句檢查固定偏移與累積偏移，判斷應平移定逐段修正。
- 每行 10 至 14 個中文字只作起點，完整語意、字體大小同實機閱讀優先。
- 字幕避開平台介面遮擋位置，並逐格檢查關鍵揭曉前後有冇提早洩底。
Define the Thirty-Second Benchmark and Calculate Review Costs
CantoneseTTS.com 團隊內部實測基準案例（Studio Benchmark）應以可重現嘅素材、設定同計時紀錄呈現。本文先提供三十秒成片嘅基準規格及核對方法；現有資料未附生成計時日誌、配對 SRT 或音檔長度驗證，因此暫時未能將「30 秒同步出齊」列為已證實結果。兩段示範音訊亦不可用作外部客戶成效或生成速度嘅證據。
正式計時可由提交已定稿腳本開始，到 MP3 同配對 SRT 都可下載為止，清楚記錄有冇包含排隊、下載同重試。腳本修改、CapCut 匯入、時間軸校正、畫面設計同影片輸出應另外記錄。三十秒片長同三十秒生成耗時係兩個不同量度，結果亦只適用於當次文字長度、聲線、設定及系統狀態。
工時可以先做透明計算：三十秒成片完整覆聽兩次，最低播放時間係 30 × 2 = 60 秒。若以每小時 HK$300 計，呢部分工時成本為 300 × 60 ÷ 3600 = HK$5。當中未計停低改字、處理時間軸、生成費、素材授權或輸出等待，所以 HK$5 只代表指定條件下嘅純覆聽成本，無法當作整條片嘅製作報價。
發布同類教學時，保留原稿、修改稿、測試範圍同限制，讀者先可以判斷方法是否適合自己。Google 嘅實用內容指引重視可靠資訊及對讀者有用嘅原創價值；其生成式 AI 內容指引亦要求重視準確度並作人工核查。呢啲原則支持清楚交代製作方法，並不保證搜尋排名、影片觀看量或任何生成速度。
- 生成計時記錄由提交到兩個檔案可下載，並標明排隊、下載與重試有冇計入。
- 剪接及覆聽工時獨立記錄，避免將三十秒片長當作整套製作時間。
- 完成一段實際測試後，再補上日期、腳本字數、音檔長度、設定與計時紀錄。
Frequently Asked Questions
Q1. How does importing an SRT differ from automatic Cantonese captions in CapCut?
Automatic captions transcribe the audio again, so colloquial words, names, and English terms require review. An imported SRT supplies existing text and timestamps. A file matched to the narration render can remove the transcription step, but its wording, starting point, and individual cues still need checking.
Q2. Can I keep the original SRT after changing the narration speed?
The wording may remain usable, but the timestamps need review. Changing the speed affects cue timing throughout the audio, while removing a pause shifts later cues. Generate a new matching subtitle file or retime the affected cues, then check the beginning, middle, and ending.
Q3. Does the thirty-second claim include editing and subtitle review?
This article does not have timing evidence for a thirty-second generation promise; thirty seconds defines the example video length. Measure generation from script submission until both matching files are available. Track rewriting, importing, reviewing, and video export separately, and record the conditions affecting each run.