SinCoSphere
评分方法2026 榜单
首页 › 科普 › 短剧出海译制：字幕、配音与本地化的坑——译文膨胀、口型错位、文化改写

短剧出海译制：字幕、配音与本地化的坑——译文膨胀、口型错位、文化改写

SinCoSphere 编辑部更新于 2026-09-02阅读约 6 分钟制作

短剧出海的本地化是三层活：剧本层改名字、称谓、场景与设定，要在解析拆集时做，改完流进设定图和分镜；字幕层只能改词面，管不了画面里的春联和人民币；配音层要面对中译英 30–50% 的译文膨胀——同一句话英文要多念一秒，口型和秒数就错位。处理顺序是缩译、拆句、重排秒数，最后才是重生成。

先说结论：本地化是三层，不是一层

把「翻译字幕」当成本地化，是出海短剧最常见的返工来源。一部剧里带文化信息的东西分布在三层，每层改法、时机、成本都不一样。下表按 SinCoSphere 编辑部的口径整理。

层改什么在哪一步做成本量级常见坑
剧本层人名、称谓体系、地点与建筑、节日货币、制度背景（彩礼、户口、编制）解析拆集时，改完流进角色表、场景表、分镜一次大模型调用，通常几元拆集后再改 = 全部设定图与分镜重来
字幕层词面：译文、度量衡、称谓的等效表达、字幕位置与行数成片后机翻近零；人工审校按集计画面里的中文招牌、春联、人民币改不了
配音层目标语种音色、台词秒数、口型成片后贴配音，或在分镜里改秒数重生成台词镜头AI 配音按分钟；重生成按视频秒译文膨胀导致口型漂移；源语音色念外语有口音

判断一个问题属于哪一层，只看一件事：它在不在画面里。在画面里的（招牌、钱、服装、建筑）只能剧本层解决；只在台词里的，字幕层就够。

字幕规格：每行字数、阅读速度、9:16 安全区

TikTok、YouTube Shorts 没有发布字幕阅读速度规范。行业通用的基准是 Netflix 的时序文本规范，各语种数值如下（简中、英文、日文）。

语种每行上限最多行数阅读速度（成人 / 儿童）
简体中文16 字29 字/秒 / 7 字/秒
英文42 字符220 字符/秒 / 17 字符/秒
日文（横排）13 全角字24 字/秒

这些是 16:9 横屏的上限。竖屏 1080 px 宽，字号 56–64 px 时一行只放得下 12–14 个汉字、30 个左右英文字符，实际要按 Netflix 上限的七到八成排。

安全区方面，平台同样没有统一官方页，第三方模板指南的常见口径是：TikTok 在 1080×1920 里顶部 108–150 px、底部 320–440 px、右侧 120–180 px 会被界面盖住；YouTube Shorts 顶部约 120 px、底部约 300 px（模板指南一、模板指南二，均非平台官方）。可执行的结论：字幕放在画面高度 65–75% 处、居中、不超过两行，底部 25% 与右侧 180 px 不放任何文字。

译文膨胀：英文版口型为什么对不上

中文到英文，字面信息量不变，念出来的时间变长。SinCoSphere 的标定口径是中文约 5 字/秒、英文约 2.5 词/秒。一句「你根本不知道我为你放弃了什么。」15 字，中文念 3 秒；直译「You have absolutely no idea what I have given up for you.」12 词，要 4.8 秒，膨胀 60%；缩译成「You don't know what I gave up for you.」9 词，3.6 秒，膨胀 20%。经验区间就是 30–50%。

膨胀落在哪里取决于配音怎么做。外挂配音：英文音频比中文画面里的嘴长一秒，要么加速（超过 1.15 倍就不像人话），要么让配音压到下一镜头。音画同出：直接用英文重生成台词镜头，口型是对的，但这一镜要按秒重付。

三种处理按优先级排：① 缩译——压缩的是词不是意思，去掉「absolutely」「really」这类填充词，把从句拆成短句；② 拆句——一个镜头出两条字幕，各占一半秒数，阅读速度就回到 20 字符/秒以下；③ 重排秒数——在分镜里给这句多 1–1.5 秒，重生成这一镜，而不是把字幕阅读速度硬推到 25 字符/秒。多语种同时出片时，分镜的秒数按最长的那个语种排，中文版留白给反应镜头。见 对白时长口径。

AI 配音的三种选择与成本口径

一站式译制服务。腾讯云媒体 AI 的一篇文章给出的口径是：100 集 × 9 语种 = 900 集成品，全流程约 2,433 元，单集综合成本约 2.7 元，48 小时交付；分项为去水印 3 元/分钟、ASR 0.03 元/分钟、大模型翻译 0.60 元/分钟、OCR 提取翻译 0.80 元/分钟、AI 配音 0.5–9 元/分钟（视模式）、字幕渲染 0.063 元/分钟、合规审核 0.08 元/分钟；同文对比人工翻译「200 元以上/集/语种」（来源，厂商口径，SinCoSphere 未复核）。

配音平台。ElevenLabs 官网价格页列出 Dubbing 按源音频分钟计积分：自动配音带水印 2,000 积分/分钟、不带水印 3,000、Dubbing Studio 带水印 5,000、不带水印 10,000；Creator 档 $22/月 121,000 积分，折算约 40 分钟不带水印自动配音，每分钟约 $0.55（来源）。

剪辑软件内置。剪映国际版 / CapCut 官网列有 AI Dubbing 与视频翻译功能，自动字幕支持 20+ 语言（来源）；配音语种数以产品页当期为准。适合单集试水，不适合 100 集批量。

三条里没有一条解决口型：贴上去的配音都需要上一节的处理。音色如何选、克隆授权怎么办，见 AI 短剧配音。

文化改写：剧本层还是字幕层

需要改写的东西，按能否在字幕层解决分两类。

  • 字幕层能解决：人名音译或改名、度量衡与货币换算、「总裁」「师兄」「嫂子」这类无对应称谓找等效表达、俗语换目标语俗语。
  • 只有剧本层能解决：四合院、胡同、大学宿舍这类空间；春联、红包、人民币、手机支付码这类画面道具；彩礼、户口、编制这类制度前提；「高考」「相亲」这类观众要有生活经验才懂的情节机关。

剧本层的改写要在解析拆集时做，因为角色外貌、场景描述、道具清单都是解析的产物，改完才会流进设定图与分镜。有工具把这一步做成了选项：SceneMixer 在解析时提供目标地区预设（欧美、东亚、东南亚、拉美），角色姓名、族裔外貌、街景建筑、画面可见文字按目标地区改写，并且界面语言与输出语言分开设置。LibTV、小云雀 是否有对应功能官网未公开。没有这个选项的工具，做法是在解析前给剧本加一段「目标市场」说明，或解析后手工改角色表与场景表再重生成设定图。

一个判断题：男主的身份是「集团总裁」。字幕层译成 CEO 没问题；但如果剧情靠「家族企业继承」推动，欧美观众能接受，东南亚观众更熟悉，而这个设定在拉美市场的等效物可能是另一种家族结构——这是剧本层的选题问题，不是翻译问题。

配音后口型错位：三个原因，出海多一个

口型错位的三个通用原因——没写清谁在说话、台词秒数给错、参考音色的腔调压过表演提示——在 配音一文 里展开过。出海多一个：目标语种的语速本身不同。同样 3 秒的镜头，中文放 15 字，英文放 7–8 词，西班牙语音节更多还要再少。所以多语版本不能共用一套分镜秒数。

可执行的做法：主语种（通常是英语）决定分镜秒数；其它语种在字幕层缩译；口型敏感的近景台词镜头，用目标语种音画同出重生成一次，远景、反打、画外音镜头直接贴配音。这样每集只有 2–4 个镜头需要重生成，费用可控。

出片前的 QA 清单

  • 每条字幕 ≤2 行，简中每行 ≤14 字、英文 ≤36 字符（竖屏按 Netflix 上限的八成）。
  • 阅读速度：简中 ≤9 字/秒、英文 ≤20 字符/秒；超过就拆句。
  • 字幕落在画面高度 65–75%，底部 25% 与右侧 180 px 无文字。
  • 人名前后统一，一部剧一张译名表。
  • 称谓：同一关系全剧同一译法（「哥」不能一会儿 brother 一会儿直呼其名）。
  • 画面里的中文可见文字（招牌、短信、文件）是否已在剧本层处理；没处理的镜头要么重生成要么打码。
  • 配音语速 ≤1.15 倍；超过的镜头回到缩译或重排秒数。
  • 近景说话镜头逐个看口型；错位的进重生成清单。
  • 目标市场的审核红线（宗教、政治、未成年人）逐集过一遍；国内发布仍需 AIGC 标识（标识办法）。
  • 抽三集给母语者盲看，问「哪句没听懂、哪里出戏」。

市场数据：先去哪个市场

Sensor Tower 的 2026 Q1 短剧应用报告：全球下载量 8.5 亿以上，同比增 140%；应用内购收入约 7.5 亿美元，同比增 20%；东南亚占全球下载量 32%，拉美 23%，印度 22%，三地合计超过四分之三；东南亚用户日均使用约 40 分钟，高于全球均值 25 分钟（来源）。DataEye 研究院经 36 氪发布的口径：把内购、订阅、IAA 与站外内容合计，2025 年海外短剧市场规模约 40 亿美元，2026 年预期超过 50 亿美元（来源）。

下载量与收入不是一回事。报告里收入头部仍是 DramaBox 与 ReelShort（Q1 各约 1.4 亿美元），付费主力在英语市场；下载增量在东南亚、拉美与印度。译制的语种顺序因此是：英语先做（付费），印尼语、泰语、越南语、菲律宾语看下载增量，西班牙语与葡萄牙语覆盖拉美。渠道与分账见 发行渠道，出海整体路径见 竖屏短剧出海指南。

关键数字与来源

指标数值来源日期
东南亚占全球短剧应用下载量（2026 Q1）32%（拉美 23%、印度 22%）sensortower.com2026-09-02
全球短剧应用下载量（2026 Q1）8.5 亿以上，同比 +140%；内购收入约 7.5 亿美元sensortower.com2026-09-02
2025 年海外短剧市场规模（DataEye 口径）约 40 亿美元36kr.com2026-09-02
AI 译制成本（腾讯云媒体 AI，厂商口径）100 集 × 9 语种约 2,433 元，单集综合约 2.7 元cloud.tencent.com2026-09-02
ElevenLabs Dubbing 积分消耗自动配音 2,000–3,000 积分/分钟；Dubbing Studio 5,000–10,000elevenlabs.io2026-09-02
Netflix 简中字幕规范每行 16 字、最多 2 行、成人 9 字/秒partnerhelp.netflixstudios.com2026-09-02

常见问题

竖屏短剧字幕一行放几个字？

按 Netflix 上限的七到八成：简中 12–14 字、英文 30–36 字符，最多两行，放在画面高度 65–75% 处。超出就拆成两条。

中译英字幕比中文长多少？

念出来通常长 30–50%。中文 5 字/秒、英文 2.5 词/秒，15 字的中文台词直译成 12 词要多 1.8 秒。先缩译再拆句，最后才改分镜秒数。

AI 配音 100 集要多少钱？

厂商口径一例：腾讯云媒体 AI 称 100 集 × 9 语种约 2,433 元、48 小时交付（未复核）。ElevenLabs 按源音频分钟计积分，自动配音不带水印 3,000 积分/分钟。口型对齐都要另外处理。

人名要不要改成外国名？

看市场。欧美观众对音译中文名的记忆成本高，改名是常规做法；东南亚华人比例高的市场可以保留。无论哪种，一部剧一张译名表，前后统一。

画面里的中文招牌怎么办？

字幕层改不了。要么在剧本层设定目标市场后重生成场景与镜头，要么后期打码或替换。批量出海的剧应在解析时就选定目标地区。

同一部剧多语种版本能共用分镜秒数吗？

不能直接共用。以最长的语种（通常是英语或西语）定秒数，其它语种在字幕层缩译；近景台词镜头按语种各重生成一次，远景与画外音镜头贴配音即可。

资料来源

本文提到的工具

SceneMixer剪映 / CapCutLibTV小云雀

延伸阅读

竖屏短剧出海指南短剧本地化工具榜AI 短剧配音怎么做对白时长口径发行渠道