按字幕分割音频：用 SRT 时间轴把整集配音切成一句一个文件
按字幕分割音频，就是拿 SRT 里每一条字幕的开始和结束时间当切点，把一整段音频切成一句一个文件。放进整集 MP3 和对应的 SRT（或 VTT），工具按顺序切开，切点自动吸附到附近最安静的地方，前后默认各留 100 毫秒的白，文件名带序号和台词开头，另附一份 CSV 清单，最后打包成 ZIP 下载。没有字幕时，也可以按静音或固定时长切。音频不上传。
- 按字幕 / 静音 / 固定时长
- 切点吸附静音处
- 序号 + 台词命名
- CSV 清单 + ZIP
更新于 2026 年 11 月 6 日内容核对于 2026 年 11 月 6 日
按字幕分割音频
本机处理按字幕分割音频：放音频和字幕，下载 ZIP
放进整集音频和它的 SRT / VTT，工具会列出每一段的文件名、开始时间和时长，每段都能单独试听、单独下载。只有音频时，切换到“按静音”或“按固定时长”。
按字幕分割音频：四步
第一次用，可以先点“载入示例”看一遍切出来的样子，再换成自己的文件。
- 01
放进音频和字幕
音频支持 MP3、WAV、M4A 等浏览器能解码的格式，单个文件最大 200 MB、60 分钟（手机浏览器减半）；字幕支持 SRT、VTT，也认 ASS 和 LRC。字幕要和这段音频是同一次导出的，时间才对得上。
- 02
选切法
放了字幕就用“按字幕”，一条字幕一个文件。没有字幕时用“按静音”，在停顿处切开，最短静音默认 0.6 秒，可调；长录音只想均分，用“按固定时长”，默认每段 30 秒，分界点也会挪到附近安静的地方。
- 03
调留白、吸附和偏移
前后留白默认 100 毫秒，可在 0–500 毫秒之间调，免得切掉字头的辅音和字尾的拖音；切点吸附默认打开，会在 ±150 毫秒内挪到最安静的位置。按字幕切 MP3 时，工具还会自动填一个几十毫秒的偏移，原因见下文。
小贴士 · 两句之间的空白放不下两份留白时，工具在空白正中间下刀，所以留白调大也不会带进相邻那句的声音。
- 04
选格式，下载 ZIP
输出 MP3（码率 64–320 kbps 可选）或无损的 WAV。可以逐段试听、单独下载某一段，也可以一次打包：压缩包里是所有片段和一份 manifest.csv 清单。
根据 SRT 切割音频，准不准全看字幕从哪来
按字幕分割音频的工具只负责照着时间下刀，时间本身对不对，取决于这份 SRT 是怎么来的。
AI Drama Voice 配音工坊导出时，是把每句台词的音频依次接起来写成 MP3 的，每句前面固定留 0.35 秒空白；SRT 也是在同一遍里写出来的，每条字幕的开始和结束，就是那句声音在 MP3 里真正开始和结束的位置。所以拿这份 SRT 切，切点天然落在句间的空白里，正好一句一个文件，不会切到字。
估算的字幕不能拿来切
用 TXT转SRT 按语速排出来的字幕，时间是按字数估的，和真实声音可能差几百毫秒甚至更多。拿它切音频，切点会落在字中间，前一个文件的结尾带着下一句的开头。按字幕分割音频，一定要用和声音一一对应的字幕：配音导出的，或者在剪辑软件里对过轴的。
那几十毫秒的偏移从哪来
MP3 编码和解码都会在开头带进一小段延迟。我们 2026-11-06 在 Chromium 里实测：本站导出的 MP3（没有 LAME 信息头）解码后，开头多出 1,105 个采样点，44.1 kHz 下约 25 毫秒；带 LAME / Info 信息头的 MP3，浏览器会自己去掉这段延迟。所以工具会先看 MP3 有没有这个信息头，没有就自动把字幕时间整体往后挪约 25 毫秒，有就不挪。你也可以手动改这个偏移（−1000 到 +1000 毫秒），比如字幕本来就整体早了一点。
序号对的是导出顺序，不是剧本行号
SRT 的第 1、2、3 条，对应 MP3 里的第 1、2、3 句。工坊只把生成成功的句子写进导出，如果有句子失败了没补，后面的序号就会和剧本行号错开。切之前先在工坊里把失败的句子补生成（失败的句子会自动返还积分），再重新导出一次。
文件名里没有角色名
本站导出的 SRT 只有台词，没有“苏念：”这样的角色名，所以切出来的文件名只有序号和台词开头，不带角色。要按角色整理，把 CSV 清单和剧本放进同一张表，按顺序对一遍；每个角色有多少句，可以先用剧本台词统计看清楚。如果你的字幕文本里本来就写了“角色：”，文件名开头就会是角色名。
切出来的文件和 CSV 清单长什么样
下面用工坊示例剧本的前三句演示按字幕分割音频的结果，留白和偏移都是默认值，时间为示意。
文件名 = 三位序号 + 下划线 + 台词的前 12 个字，超过 999 段时序号自动变成四位。斜杠、冒号、问号、星号、引号、尖括号、竖线这些 Windows 和 macOS 不允许出现在文件名里的半角字符会被去掉，中文标点保留。
| index | file | start | end | duration_s | cues |
|---|---|---|---|---|---|
| 1 | 001_订婚宴的香槟塔刚刚搭好，.mp3 | 00:00:00.275 | 00:00:06.045 | 5.770 | 1 |
| 2 | 002_妹妹，这份股权转让书签了.mp3 | 00:00:06.195 | 00:00:09.605 | 3.410 | 2 |
| 3 | 003_签？姐姐不如先看看，大屏.mp3 | 00:00:09.755 | 00:00:13.275 | 3.520 | 3 |
清单是 UTF-8 编码、带 BOM 的 CSV，用 Excel、WPS 或在线表格直接打开不会乱码，时间格式是“时:分:秒.毫秒”。它的用处是三件事：对照剧本补一列角色；补一列游戏或 App 里的台词 ID，交给程序批量导入；逐句审听时在后面加一列意见。
音频按句子分割以后，一句一个文件能做什么
游戏对白：一句台词一个资源
游戏引擎和对话插件一般按“台词 ID → 音频文件”来播放，每句台词要一个独立文件。整集配好以后按字幕分割音频，再用 CSV 把序号对到游戏里的台词 ID，比在剪辑软件里一句句导出快得多。详见 AI 游戏配音。
跟读卡片、学习 App
背单词、跟读类 App 和 Anki 这类卡片软件，都是一张卡配一句音频。外语版配音按字幕切开，每个文件对应一句台词，CSV 里的 text 列就是卡片正面的文字。
逐句审听和返工
审听时把有问题的那几句单独发出去，不用让对方在一整集里找时间点；文件名带台词开头，一眼就知道是哪句。
多语种逐句对照
同一集的中文版和外语版各切一遍，序号相同的就是同一句台词的两种语言（前提是两种语言的句子都生成齐了），方便并排检查翻译和情绪。
做 MP3 分割之前，先知道这六件事
按字幕分割音频时遇到这些情况，工具都会处理，并在结果上方提示出来，知道原因就不用猜。
字幕顺序颠倒或互相重叠
顺序不对时，工具先按开始时间重新排序再切；两条字幕重叠时，在重叠部分的正中间下刀。两种情况都会列出涉及的序号，回到字幕里改一下最干净。
特别短的条目
短于 0.2 秒的字幕会并进离它更近的那一条，避免切出一个只有半个字的文件；清单的 cues 列会写明并了哪几条。
字幕比音频长
开始时间已经超过音频结尾的字幕会被跳过并列出来，常见原因是拿错了另一集的字幕。
按静音分割音频时片段太碎
把最短静音调大，只在更长的停顿处切；句子被连成一段，就调小。短于 0.2 秒的碎片，比如咔哒声、换气，会并进相邻片段。
后面还要加工就选 WAV
每段 MP3 都是重新编码出来的，有轻微损失；还要再剪辑、变速或混音的，先导出 WAV。
录音先去空白再切
自己的录音里长停顿多时，先删除音频空白部分，再按静音切，片段更整齐。
常见问题
有字幕就按字幕切：放进音频和对应的 SRT，一条字幕切成一个文件，打包 ZIP 下载。没有字幕就选“按静音”，工具在停顿处切开。用 AI Drama Voice 配音工坊导出的 MP3 + SRT 最省事，字幕时间就是每句声音的真实位置。
能。选“按静音”，工具自动测出底噪，在比底噪高 10 dB 以内、持续超过“最短静音”（默认 0.6 秒）的停顿处切开。片段太碎就调大最短静音；长录音只想均分，用“按固定时长”。
能，文件名是三位序号加台词的前 12 个字，例如 001_订婚宴的香槟塔刚刚搭好，.mp3，文件名不允许的字符会被去掉。本站导出的 SRT 里没有角色名，所以文件名不带角色。
用和声音对应的字幕切，一般不会：切点会在 ±150 毫秒内吸附到最安静的位置，前后默认各留 100 毫秒，MP3 的解码延迟也会自动补上。容易切坏的是按字数估算出来的字幕，它和真实声音对不上。
能，可选 MP3 或 WAV。WAV 是无损的，适合还要再剪辑、混音的情况；MP3 体积小，适合直接交付或导入 App。
多数引擎可以把整个文件夹拖进资源目录，再按文件名或一张对照表和台词 ID 绑定。manifest.csv 里有序号、文件名和台词，补一列游戏里的台词 ID，就能交给程序批量导入。具体做法看你用的引擎和对话插件。
不会。解码、切分、编码和打包 ZIP 都在你的浏览器本地完成，音频和字幕不经过服务器，不调用 AI，也不用登录。更多音频小工具见免费工具。
