问题定义:字幕轴要的是断点,不是全文 把语音转成文字早就不是难点,难点在文字之外那一维:时间。 字幕轴需要两类信息,一是每条 cue 的起止时刻,二是断点位置——在哪里切一刀,才既不把语义切断,