字幕配置功能通过大模型翻译技术，可将您直播音频中的人声处理为多语言内容，从而有效提升观众在跨语言、嘈杂或静音环境下的观看体验，帮助您的内容触达更广泛的全球受众。本文介绍如何通过视频直播控制台完成字幕配置。

应用场景 #

• 无障碍观看
  为听障人士生成原文字幕，支持办公室、图书馆等静音场所及地铁、商场等嘈杂环境下的无障碍观看体验。
• 跨境业务与全球交流
  适用于跨国电商直播、产品发布会、国际会议、教育培训及海外嘉宾演讲等多种场景，助力跨语言沟通和市场拓展。

注意事项 #

• 直播延迟：为保证字幕的稳定和完整，会给关联的转码流或添加字幕后缀的源流带来 15 到 30 秒的额外直播延迟。
• 计费说明：
  • 字幕：按字幕任务的实际运行时长计费。详见字幕计费。
  • 转码：如果您拉取的是转码流，则会产生转码费用。按实际转码时长计费。计费时长取决于转码的触发方式。详见转码计费。
    • 推流触发：从开始推流时计费，直到推流结束。
    • 拉流触发：从有观众开始拉取转码流时计费，直到转码任务结束。通常小于等于推流时长。

  注意

  如选择纯字幕模式，则观众拉取添加字幕后缀的源流，也会产生转码费用。

• 生效时间：添加、编辑或删除字幕配置后，必须等待 3-5 分钟并重新推流，变更后的字幕配置才会生效。

工作流程 #

1. 配置与关联：添加字幕配置，并通过 AppName、字幕后缀和转码后缀，与一个或多个直播流关联。
2. 推流与识别：当您开始推流后，系统会自动识别人声内容。
3. 处理与合成：根据字幕配置，系统对识别后的人声内容进行处理，包括生成字幕、生成同传声音替换原声，以及驱动数字人口型与同传声音同步，并将最终的处理结果合入到直播流中。
4. 拉流观看：观众通过拉取关联了字幕配置的转码流，或拼接了字幕后缀的源流，即可观看最终效果。

前提条件 #

• 已在同一域名空间下，添加推流域名和拉流域名。详见添加域名。
• 已在域名空间下添加转码配置，用于后续关联。确保转码配置和即将添加的字幕配置拥有相同的域名空间和 AppName。详见转码配置。

操作步骤 #

1. 登录视频直播控制台。
2. 左侧导航栏选择功能配置，右侧页面单击字幕配置页签。
3. 在域名空间下拉列表中，选择转码配置所在的域名空间。
4. 单击添加配置。
   
5. 在弹出的添加字幕配置对话框中，完成以下配置。
   1. 关联转码配置。
      
      

      配置项	说明
      AppName	推流地址的 AppName。例如推流地址为 rtmp://push.example.com/live/test?authinfo，则 AppName 为 live。 警告 确保与转码配置的 AppName 保持一致。
      字幕后缀	为源流添加的字幕后缀。如不配置，默认为 _subtitle。您可以在源流地址后拼接此后缀，为您的原始直播流直接添加字幕、同传声音等效果，不改变分辨率和码率等。 如需自定义该字幕后缀，您必须以短横线（-）或下划线（_）开头，长度为 1-100 个字符，并支持以下字符： 大写字母 A - Z 小写字母 a - z 短横线（-） 下划线（_） 示例： 源流地址：rtmp://pull.example.com/live/test 字幕流（包含字幕、同传声音等效果的源流）地址：rtmp://pull.example.com/live/test_subtitle
      转码后缀	选择当前 AppName 下的一个或多个转码后缀（如 _uhd、_hd），为转码流添加字幕、同传声音等效果。这样，观众在切换清晰度时，也能体验到字幕、同传声音等效果。 警告 AppName 下的每个转码后缀，仅能绑定一个字幕配置。 示例： 源流地址：rtmp://pull.example.com/live/test 转码流（包含字幕、同传声音等效果）地址：rtmp://pull.example.com/live/test_hd

   2. 根据使用场景，选择具体的模式。
      

      使用场景	推荐功能	模式选择	说明
      为直播提供基础字幕，方便静音或嘈杂环境下观看。	原文 ASR 字幕	声影同传 > 原文 ASR 字幕	通过语音识别，在视频画面叠加原文字幕。
      进行跨语言文字交流，触达全球观众。	字幕翻译（即字幕配置）	纯字幕或声影同传 > 翻译同传 说明 推荐选择声影同传 > 翻译同传，翻译效果更佳。	通过语音识别，在视频画面叠加翻译字幕，但保留原声音频。
      提供配音式翻译体验，如同观看译制片。	同传声音	声影同传 > 翻译同传	提供同传声音，并替换原声。
      追求沉浸式真人翻译体验，提升专业性。	同传声音 + 数字人口型	声影同传 > 翻译同传	在同传声音的基础上，通过 AI 技术驱动说话人口型与翻译音频同步，效果以假乱真。

   3. 完成相关配置。
      • 翻译同传
        
        

        配置项	说明
        播出延迟	配置播出延迟时长，以保证同传声音和字幕的翻译处理完成。取值范围为 5-60 秒。建议取值如下： 同时开启数字人口型、同传声音、字幕时：20 同时开启同传声音、字幕时：12 仅开启字幕时：8 说明 如果字幕出现的时间要早于原声或画面，可适当降低播出延迟时长，让字幕与原声或画面对齐，反之亦然。
        字幕/同传	选择翻译同传。
        字幕语言	选择原文和译文的语言。原文支持中文、英文，译文支持中文、英文、日语、西班牙语、印尼语、葡萄牙语、法语、德语。 说明 原文与译文必须选择不同的语言。
        写入 SEI	是否将字幕内容写入直播流的 SEI 消息。开启后，播放器可接收 SEI 消息中的字幕内容。 说明 视频直播将字幕内容写入 SEI 消息时，SEI type 取值为 100。如果您的推流工具或应用也会向直播流写入自定义 SEI 消息，请避免使用相同的 SEI type 取值，否则播放器可能会将自定义数据识别为字幕。
        数字人口型	是否开启数字人口型功能。开启后，说话人口型将与同传声音同步，提升直播的沉浸感。 说明 开启数字人口型功能后，会自动开启同传声音功能。
        同传声音	是否开启同传声音功能。 开启功能后，将使用带有音色复刻效果的翻译语音替换直播原声。您还可以完成以下配置： 降噪：开启后，可有效减轻翻译语音中的背景噪音（如电流声、环境杂音），提升最终输出音频的清晰度。 警告 开启降噪开关可能导致背景音消失。 音量均衡：开启后，系统会自动调节输出音频的音量，使其保持在稳定、舒适的水平，有效避免声音忽高忽低或出现刺耳的突然爆音，显著提升观众的听觉体验。
        字幕配置	是否开启字幕功能。开启后，将在画面上显示字幕。 支持配置原文和译文字幕的显示行数、字号、样式、底色、边距、字幕排序（原文在上或译文在上）等。其中， 字幕格式：设置显示的字幕。 原文+译文：显示双语字幕，字幕显示顺序以字幕排序为准。 译文：仅显示译文字幕。 原文：仅显示原文字幕。 字幕行数：设置每种语言字幕最多显示的行数。 说明 在显示双语字幕时，该配置将分别应用于原文和译文。例如，选择 2 行，则原文和译文均最多显示 2 行，使字幕总共占用 4 行屏幕空间。 1 行：每种语言的字幕最多显示一行，内容可能被截断。 2 行：每种语言的字幕最多显示两行，内容可能被截断。 自动：根据字幕总字数和每行最大字符数自动换行，确保内容完整显示。 译文字数/原文字数：每行字幕的最大字符数。当字幕行数设置为 1 行或 2 行时，如果原文或译文的字幕总字数超出显示范围，内容将会被截断。例如译文每行字幕的最大字符数为 10，字幕行数为 2 行，则当译文字幕总字数超出 20 时，20 字后的内容会被截断。 说明 系统会综合您设置的译文字数/原文字数、字幕左右边距、字号和屏幕分辨率等因素，计算出每行最终可显示的最大字符数。 每个文字、字母、符号或数字均为一个字符。
        关键词库	添加专有词汇及其期望译法，如品牌名、人名、产品名或功能名，供翻译模型参考，有助于提升专有词汇的翻译准确率，但不保证每次均采用配置的译法。如果使用关键词后仍出现错译，可在易错词中逐一添加可能出现的错译及其正确译法，对译文字幕进行强制纠正。 格式为原文:译文，每个原文:译文之间用英文逗号（,）隔开。例如火山引擎:Volcengine,视频直播:MediaLive。 注意 该功能仅作用于译文字幕。 输入的原文或译文本身不可包含英文逗号（,）。 输入框内的全部内容，总字符数不超过 3 万。
        易错词	配置需要强制纠正的译文字幕。需逐一添加可能出现的错译及其正确译法。每个错译或正确译法的长度为 1-50 个字符，最多可添加 500 对易错词，建议根据实际效果调整。 系统匹配到错译后，会将其强制替换为正确译法。易错词仅修改译文，不修改原文或同传声音。例如，当 Tim 被错译为蒂姆或提姆时，您可以添加以下易错词： 蒂姆（译文）> Tim（纠正） 提姆（译文）> Tim（纠正） 注意 易错词只按文字匹配，不判断上下文，因此仅适用于配置的文字本身可以明确判定为错误的场景。正确译法中请勿包含对应的错译。例如，配置颗粒 > 颗粒感后，如果字幕已正确显示为颗粒感，其中的颗粒仍会被替换，结果变为颗粒感感。
        回调地址	用于接收回调消息的地址。该地址需支持 HTTP 或 HTTPS 协议，并可通过公网访问。长度为 1 到 100 个字符。有关声影同传回调消息，详见回调内容说明。

      • 原文 ASR 字幕
        
        

        配置项	说明
        播出延迟	配置播出延迟时长，以保证字幕翻译处理完成。取值范围为 0-60 秒。 建议取值如下： 出字方式为整句时：15 出字方式为实时流式时：2-3 说明 如果字幕出现的时间要早于原声或画面，可适当降低播出延迟时长，让字幕与原声或画面对齐，反之亦然。
        字幕/同传	选择原文ASR字幕。
        字幕语言	选择原文字幕的语言。 出字方式为整句时，支持中文、英文、日语、西班牙语、印尼语、葡萄牙语、法语、德语、韩语。 出字方式为实时流式时，支持中文和英文。
        写入 SEI	是否将字幕内容写入直播流的 SEI 消息。开启后，播放器可接收 SEI 消息中的字幕内容。 说明 仅当出字方式为整句时显示该字段。 视频直播将字幕内容写入 SEI 消息时，SEI type 取值为 100。如果您的推流工具或应用也会向直播流写入自定义 SEI 消息，请避免使用相同的 SEI type 取值，否则播放器可能会将自定义数据识别为字幕。
        字幕配置	打开字幕配置开关。支持配置原文字幕的出字方式、显示行数、字号、样式、底色、边距等。其中， 出字方式：原文字幕的显示方式。 整句：字幕会一句一句地完整显示。系统会等一句话说完后，再将与这段声音对应的整句字幕一次性显示出来。这种方式能保证上下文的完整和阅读的连贯性，体验类似于观看电影字幕。 实时流式：字幕会逐字或逐词地显示出来，而不会等待一句话结束。该方式追求实时性，让观众几乎在听到声音的同时就能看到文字，体验类似于手机上的语音输入。 字幕行数：设置原文字幕最多显示的行数。 1 行：原文字幕最多显示一行，内容可能被截断。 2 行：原文字幕最多显示两行，内容可能被截断。 自动：根据字幕总字数和每行最大字符数自动换行，确保内容完整显示。 原文字数：每行字幕的最大字符数。当字幕行数设置为 1 行或 2 行时，如果原文的字幕总字数超出显示范围，内容将会被截断。例如原文每行字幕的最大字符数为 10，字幕行数为 2 行，则当原文字幕总字数超出 20 时，20 字后的内容会被截断。 说明 系统会综合您设置的原文字数、字幕左右边距、字号和屏幕分辨率等因素，计算出每行最终可显示的最大字符数。 每个文字、字母、符号或数字均为一个字符。
        热词库	添加产品名、流行语等热词，供语音识别模型参考，有助于提升识别准确率，但不保证每次均能准确识别。热词需与原文语言一致，多个热词之间以空格分隔，输入的总字符数不超过 3 万。如果使用热词后仍出现识别错误，可在易错词中逐一添加可能出现的识别错误及其正确写法，对原文 ASR 字幕进行强制纠正。
        易错词	配置需要强制纠正的原文 ASR 字幕。需逐一添加可能出现的识别错误及其正确写法。每个错误写法或正确写法的长度为 1-50 个字符，最多可添加 500 对易错词，建议根据实际效果调整。 系统匹配到错误写法后，会将其强制替换为正确写法。例如，当视频直播被错误识别为视屏直播时，您可以添加易错词：视屏直播（字幕）> 视频直播（纠正）。 注意 易错词只按文字匹配，不判断上下文，因此仅适用于配置的文字本身可以明确判定为错误的场景。正确写法中请勿包含对应的错误写法。例如，配置颗粒 > 颗粒感后，如果字幕已正确显示为颗粒感，其中的颗粒仍会被替换，结果变为颗粒感感。
        回调地址	用于接收回调消息的地址。该地址需支持 HTTP 或 HTTPS 协议，并可通过公网访问。长度为 1 到 100 个字符。有关声影同传回调消息，详见回调内容说明。

      • 纯字幕
        
        

        配置项	说明
        翻译语言	选择原文和译文的语言。当前原文和译文均支持中英混合、英语、日语和韩语。 说明 如只需显示原文字幕，可将译文和原文设置为同一语言。 通常情况下，中英混合仅会作为原文语言，而对应的译文语言为英语、日语或韩语。
        预设效果	如需快速配置，请直接选用一种预设效果。选用后，建议仅修改字幕格式和字体。 说明 如果您在选择预设效果后，又手动修改了字幕行数、每行字数、左右边距和底部边距，系统会自动取消选中的预设效果。 如需高度自定义字幕样式，请不要选择任何预设效果，而是直接通过字幕调整功能进行详细配置。
        字幕调整	设置字幕格式、字幕行数、每行字数、字体、边距等。其中， 字幕格式：设置是否显示原文字幕。 翻译字幕：仅显示译文字幕。 双语字幕：以译文字幕在上、原文字幕在下的方式显示双语字幕。 字幕行数：设置每种语言字幕最多显示的行数。 说明 在显示双语字幕时，该配置将分别应用于原文和译文。例如，选择 2 行，则原文和译文均最多显示 2 行，使字幕总共占用 4 行屏幕空间。 1 行：每种语言的字幕最多显示一行，内容可能被截断。 2 行：每种语言的字幕最多显示两行，内容可能被截断。 自动：根据字幕总字数和每行最大字符数自动换行，确保内容完整显示。 每行字数：每行字幕的最大字符数。当字幕行数设置为 1 行或 2 行时，如果原文或译文的字幕总字数超出显示范围，内容将会被截断。例如译文每行字幕的最大字符数为 10，字幕行数为 2 行，则当译文字幕总字数超出 20 时，20 字后的内容会被截断。 说明 系统会综合您设置的每行字数、字幕左右边距、字体和屏幕分辨率等因素，计算出每行最终可显示的最大字符数。 每个文字、字母、符号或数字均为一个字符。
        热词库	添加产品名、流行语等热词，供语音识别模型参考，有助于提升识别准确率，但不保证每次均能准确识别。热词需与原文语言一致，多个热词之间以空格分隔，输入的总字符数不超过 3 万。

6. 在对话框右侧，按照界面提示，在线测试字幕效果。

   说明

   • 此处选择的源流尺寸仅用于效果预览，不会更改源流的分辨率。字幕任务输出的画面朝向继承自源流。
   • 此处上传的背景图无大小、格式等限制。
7. 确认无误后，单击确定。添加字幕配置后，可随时编辑或删除字幕配置。编辑配置时，支持修改除 AppName 和字幕后缀以外的所有配置。
   添加、编辑或删除字幕配置后，必须等待 3-5 分钟并重新推流，变更后的字幕配置才会生效。

后续操作 #

1. 通过地址生成器生成源流地址和转码流地址。
   1. 完成以下配置，单击生成拉流地址。
      • 地址类型：选择拉流地址。
      • 选择域名：选择添加字幕配置时使用的域名空间下的拉流域名。
      • AppName 和 StreamName：填写与推流地址一致的 AppName 和 StreamName。例如推流地址为 rtmp://push.example.com/live/test?authinfo，则 AppName 为 live，StreamName 为 test。
   2. 获取源流地址和转码流地址。
      
      • 源流地址：在获取的源流地址后手动拼接字幕后缀，例如源流地址为 rtmp://pull.example.com/live/test，字幕后缀为 _subtitle，则必须使用 rtmp://pull.example.com/live/test_subtitle 播放包含字幕、同传声音等效果的源流。
      • 转码流地址：选择字幕配置中的转码后缀，获取转码流地址，播放包含字幕、同传声音等效果的转码流。
2. 使用推流地址推送源流，字幕任务会自动启动。确保直播内容中包含清晰、稳定的人声音频。有关如何生成推流地址，详见地址生成器。
3. 使用以下任一方式，拉取关联了字幕配置的转码流，或添加了字幕后缀的源流，以体验字幕、同传声音等效果。
   

   方法	场景	说明
   第三方拉流工具	无 SDK 开发资源。	在第三方拉流工具中，配置拉流地址，播放直播流。详见对应的官方文档或咨询官方客服。
   Web 拉流 SDK	在 Web 浏览器中观看直播。	集成 Web 拉流 SDK，在您的网站或 Web 应用中播放直播流。详见集成 SDK。
   客户端拉流 SDK	在移动端自有 App 中观看直播。	集成客户端 SDK，在移动端 App 中播放直播流。详见： iOS：集成 iOS 拉流 SDK Android：集成 Android 拉流 SDK HarmonyOS NEXT（鸿蒙星河版）：集成 HarmonyOS NEXT 拉流 SDK React Native：集成 React Native 拉流 SDK Flutter：集成 Flutter 拉流 SDK uni-app：集成 uni-app 拉流 SDK
   视频直播控制台	用于开发或测试阶段的快速预览和调试。	在控制台的 Web 拉流页面，输入拉流地址进行快速播放验证。详见Web 拉流。 说明 仅支持播放 FLV、HLS 或 RTM 流。

常见问题 #

为什么我看不到字幕或者字幕配置不生效？ #

如果您已添加字幕配置，但看不到字幕或字幕配置不生效，请逐一排查以下问题：

• 检查生效时间：字幕配置有 3-5 分钟的生效延迟，请确保您在配置完成后等待了足够长的时间。
• 检查是否重新推流：添加或变更字幕配置后，必须停止旧的推流，然后重新开始一个新的推流才能加载新配置。请确认您已执行此操作。
• 检查源流：确保直播内容中包含清晰、稳定的人声音频。如果直播内容是静音或背景音过于嘈杂，系统将无法识别音频，也就无法生成字幕。
• 检查是否开启字幕功能：如选择声影同传模式，确保已开启字幕配置开关。
  
• 检查是否开启同传声音功能：开启同传声音功能后，才会提供翻译语音，否则仅会输出原声。
  
• 检查拉流地址：确保使用正确的拉流地址。拉流地址必须是关联字幕配置的转码流地址，或添加字幕后缀的源流地址。
• 检查原文和译文配置：确保原文语言与源流音频中的语言一致，译文语言为观众所需的语言。

为什么我无法选择转码后缀？ #

确保您在字幕配置中填写的 AppName，与您想要关联的转码配置的 AppName 一致。

我的直播面向全球观众，如何为他们提供不同语言的字幕？ #

为同一个 AppName 添加多种译文语言的字幕配置，当您使用该 AppName 推流时，观众即可按需选择字幕语言。

以下示例中，当使用 AppName live 推流时，观众可以切换观看英文字幕、日文字幕和无字幕版本，同时，在每种字幕版本中，可以切换原画、超清和高清档位的清晰度。

1. 在转码配置页面，为 AppName live 添加以下转码流后缀的配置：
   • _uhd（无字幕的超清档位）
   • _hd（无字幕的高清档位）
   • _enuhd（英文字幕的超清档位）
   • _enhd（英文字幕的高清档位）
   • _jpuhd（日文字幕的超清档位）
   • _jphd（日文字幕的高清档位）
2. 在字幕配置页面，为 AppName live 添加以下字幕配置：
   • 将字幕后缀设置为 _en，关联转码后缀 _enuhd 和 _enhd，并设置译文语言为英文。
   • 将字幕后缀设置为 _jp，关联转码后缀 _jpuhd 和 _jphd，并设置译文语言为日文。
3. 使用推流地址 rtmp://push.example.com/live/test 推送源流。
4. 观众可通过不同的拉流地址，切换不同的语言和清晰度。

一场直播只想开特定语言的字幕，不想启动所有字幕，该怎么做？ #

默认情况下，在为一个 AppName 配置了多种语言的字幕后，当您使用该 AppName 推流时，系统会自动启动所有关联的字幕任务。这在某些只需要部分语言字幕的场景下，会产生不必要的成本。

为解决此问题，您可以在推流地址中添加以下参数，来精确控制每次推流具体需要开启哪些语言的字幕。

• custom_trans：必须携带此参数并设置取值为 1，系统才会识别 trans_suffix 参数。若不携带该参数，系统将默认启动所有关联的字幕任务。
• trans_suffix：指定本次推流要开启字幕任务的转码后缀或字幕后缀。多个取值之间用英文逗号 (,) 分隔。例如，推流地址是 rtmp://push.example.com/live/test，您为字幕后缀 _en 配置了英文字幕，为转码后缀 _fr 配置了法文字幕，则可使用以下推流地址，只开启英文和法文字幕：rtmp://push.example.com/live/test?custom_trans=1&trans_suffix=_en,_fr。

声影同传任务与字幕配置的声影同传模式，我应该选择哪个？ #

声影同传任务与字幕配置的声影同传模式使用相同的翻译模型，翻译效果相同。请根据具体的使用场景，选择合适的模式。

• 如果满足以下场景，建议选择声影同传任务：
  • 活动导向：需要为单场或少数几场重要的活动（如发布会、跨国会议）进行同传。
  • 需要手动控制：希望在直播过程中，只对特定时段（如海外嘉宾发言时）开启翻译。
  • 低延迟需求：体育赛事等对低延迟要求较高的直播场景，可以选择实时同传模式降低延迟。
• 如果您有大量直播间需要常态化、自动化地开启同传功能，建议选择字幕配置的声影同传模式。

我的直播只有字幕，没有语音，能使用字幕功能吗？ #

不能。字幕功能仅支持识别人声内容并翻译，无法根据原文字幕进行翻译。

字幕功能是否支持翻译弹幕、评论、聊天消息等互动文本？ #

不支持。字幕功能仅针对直播流中的人声音频进行识别和翻译，不支持对弹幕、评论、聊天消息等互动文本内容进行翻译。

我可以导出字幕文件吗 #

不可以。视频直播暂不支持导出字幕文件。

我的直播涉及多种语言，例如主播说中文，但直播过程中会唱日文歌曲，能否均翻译为英文？ #

不可以。目前暂不支持自动检测直播语言，仅支持根据同传任务配置的输入语言和输出语言进行翻译。此类场景下，建议将输入语言设置为主播主要使用的语言（如中文）。在本例中，仅会将中文内容翻译为英文，而日文歌曲部分则仍保留日文。