讓人停下手指的字幕：頂尖創作者的做法
字型、字級、外框與時間軸——讓觀眾停下手指的字幕背後，究竟藏著哪些數字、為什麼重要，以及如何一鍵套用同樣的高級質感，而不是每支影片都從頭調一次。
字幕有兩種：一種只是字幕，另一種能讓人停下滑動的手指。兩者的差距不在於花了多少工夫，而在於高表現創作者只做一次、之後永遠沿用的一組具體決定。
以下就是完整配方，適用於 TikTok、Reels 或 Shorts 上的 9:16 影片：
- **字型：**粗體無襯線——Anton、Montserrat Bold 或 Archivo Black
- **字級：**畫面高度的 7–10%
- **顏色：**白色；高能量內容用黃色
- **外框：**3–4px 黑色描邊，或一塊實心底色塊
- **每行字數：**2–4 words，一到兩行，絕不要三行
- **位置：**畫面下方中段，避開最底部 15%
- **時間軸：**逐字出現，而不是整句出現
高級字幕與預設字幕的差別就在這裡。這篇文章接下來要談的，是每個數字為什麼是這個數字——以及為什麼你根本不該親手設定其中任何一項。
為什麼平台自動字幕永遠留不住觀眾
TikTok、Instagram 和 YouTube 都能免費、即時幫你上字幕。它們也正是短影片看起來大同小異的原因：同樣的字型、同樣的位置、跟動態消息裡所有人一樣的灰色底框。
這才是真正的問題。字幕是滑動中的觀眾第一個讀到的東西，而且通常是在關掉聲音的情況下。如果它跟其他每支影片長得一樣，那就已經輸了。通用字幕不只幫不上忙，反而清楚地告訴觀眾：這支影片是被上傳的，不是被做出來的。
高級字幕的作用剛好相反。它是讓人停下手指的視覺簽名，而看到第三支影片時，它會變成觀眾認出你的記號。
那些數字，以及它們為什麼是這些數字
字級：畫面高度的 7–10%。 在 1080 × 1920 的輸出上，大約是 135–190px 的字高。在桌機螢幕上看起來大得離譜，在手機上卻剛剛好。這是差距最懸殊的常見錯誤：在 27 吋螢幕的剪輯軟體裡把字幕調到看起來很平衡的大小，然後在它真正要被觀看的裝置上完全讀不清楚。
外框：3–4px 黑色描邊。 這不是裝飾，是保險。你的主角會走過一扇窗、天空會過曝、一面白牆會佔滿整個畫面。純白文字若沒有描邊，幾乎每支影片都會在某個瞬間失效。描邊或實心底色塊，能在你無法掌控的背景上保證對比。
每行字數：2–4 words。 這一點背後有紮實的閱讀科學。熟練讀者的知覺廣度——單次眼球定視實際能吸收的文字量——大約是注視點左側 3–4 個字母，右側 14–15 letter spaces（Rayner, Slattery & Bélanger, 2010）。二到四個字的字幕正好落在這個範圍內，因此一到兩次定視就能讀完。長行則不然：眼睛必須在行間反覆跳躍，而每一次跳躍，都是花在閱讀而不是觀看上的時間。
專業字幕產業從另一個方向得出了相同的限制。Netflix's English Timed Text Style Guide 規定字幕每行上限 42 characters，最多兩行，成人節目的閱讀速度上限為 20 characters per second。短影片要求得更嚴格，因為觀眾同時還在看一張臉、一個剪接點，以及一個持續移動的背景。
如果你的字幕折到第三行，那就是太長了——解法是每句字幕放更少的字，而不是把字縮小。
位置：畫面下方中段。 高到足以避開平台介面——帳號名稱、按鈕、進度條全都擠在底部區帶——又低到不會擋住主角的臉。請用手機比例的畫框預覽，而不是桌機視窗，否則等你發現重疊時，影片已經公開了。
字型：一小群倖存者。 影片上的文字，是壓在一個不可預測、會移動、光線又差的背景上。細字重會在明亮畫面中消失。襯線體的細筆畫在手機上撐不住。手寫體在快速閱讀下根本讀不了。能活下來的，是 x 高度大的粗幾何體與粗黑體無襯線字型：Anton、Archivo Black、Montserrat Bold、Poppins Bold、Inter Bold。
逐字時間軸，才是高級感的訊號
排版對了之後，時間軸的精細度就是最後也最大的差別——而這正是觀眾感受得到、卻說不出名字的那一項。
整句式字幕會丟出一整塊文字，然後讓它停在那裡。眼睛半秒就讀完了，接下來無事可做。逐字時間軸則讓文字大致隨著說話節奏一個個浮現，字幕因此始終咬住聲音，眼睛也持續在動。
這就是大家說的「卡拉 OK 字幕」。它需要每個字都有起訖時間，而不是每一行。這也正是手工做起來最折磨人的事：在時間軸上一個字一個字地微調，每句、每支影片，永無止盡。這種工作，本來就該自動化。
高級質感實際長什麼樣
兩支真實的 CloudCap 成品，落在光譜的兩端。
高能量。黃色配黑色外框是對比最強的組合，而混搭的字重——小尺寸手寫體點題字壓在粗體展示字上——在只有兩個字的字幕裡建立出層次。這是用來對付開場鉤子與金句的停手神器，但套在四分鐘的談話頭肩畫面上會讓人疲乏。
克制，而且悄悄地是兩者中技術含量更高的一個。乾淨的白色粗體無襯線、不用顏色——而文字位在主角後方，所以他的肩膀會從字的前面經過。這個景深線索讓字幕像是合成進場景裡，而不是貼在上面，同時不必把文字挪離中線，就能讓臉部保持不被遮擋。
這兩種都不是你會為每支上傳影片手工組裝的東西。而它們都只需要一鍵。
對準內容調性，然後別再糾結
- 快速剪接或雜亂背景——用實心底色塊取代描邊。當背景每 400ms 就換一次，光靠外框是不夠的。
- 安靜、嚴肅的內容——張揚的動態字幕會讓調性整個歪掉。克制本身也是一種風格。
- 非拉丁文字——確認字型有對應的字符。許多展示字型只支援拉丁字母，替代字型的字重不會跟你想要的一致。
- 長單字——德文、芬蘭文和專業術語會打破 2–4 words 的原則。請減少每行字數，而不是把字縮小。
上面每一項，都是你只該決定一次的事。真正的成本不在於做決定，而在於每支影片都重做一次、永遠做不完，最後每支影片的樣子都略有出入。
高級字幕，一鍵完成
這正是 CloudCap 存在的理由。你帶來一支剪好的影片，一鍵拿到創作者等級的高級字幕：逐字時間軸已經對好、辨識度十足的風格已經套上，直接可以發布。
這些風格都是真正的預設樣式——包含上面那兩種——所以你的第二十支影片會跟第一支一樣好看。上面提到的一切，都不需要你去設定、量測或重新推導。而當你真的想微調時，時間軸、版面配置與逐字樣式全部都可以編輯，字幕框也是一個真正的框，文字不會在你沒察覺的情況下撐出畫面。
當你想讓同一支影片觸及更多觀眾時，可以翻譯字幕；輸出時，你可以選擇直接可發布的內嵌字幕影片，也可以在需要單獨拿到文字時匯出 SRT、TXT 和 JSON 等字幕檔。
它不是影片剪輯軟體。如果你要剪接、調色或混音，請繼續用你原本習慣的工具。CloudCap 接手的是上字幕這一段——那個你原本得花掉一小時，在時間軸上一個字一個字拖曳，最後成品卻跟其他人沒兩樣的環節。
資料來源
- Rayner, K., Slattery, T. J., & Bélanger, N. J. (2010). Eye movements, the perceptual span, and reading speed. Psychonomic Bulletin & Review, 17(6), 834–839. 拼音文字系統的熟練讀者，其知覺廣度為注視點左側 3–4 個字母、右側 14–15 letter spaces。該論文並指出平均定視時間約為 205–253ms，向前跳視距離為 6.2–8.9 個字母寬，且閱讀速度較快的讀者跳視距離也較長。
- Netflix. English Timed Text Style Guide. 規定每行 42 characters、最多兩行，成人節目閱讀速度上限為 20 characters per second（兒童節目為 17）。
關於文中沒有引用來源的那些數字：7–10% 的字高、3–4px 的描邊，以及下方中段的擺放位置，都是從 9:16 行動影片上長期有效的做法歸納出來的慣例，而非公開發布的標準。平台安全區尤其會隨著介面改版與字幕長度而變動——各平台會透過自家的廣告工具提供最新的安全區範本，那些範本的權威性高於任何固定像素數值，也包括本文中的數字。