字幕格式详解：SRT、ASS、VTT、SUB/IDX 对比与适用场景

做字幕处理这些年，我见过不少人在格式选择上栽跟头。有人拿着 ASS 特效字幕硬往 SRT 里塞，结果特效全丢；也有人把 VTT 当 SRT 用，发现时间轴对不上。说白了，每种格式都有自己的脾气。今天咱们就把四种主流字幕格式掰开揉碎，看看它们到底有什么区别，什么时候该用哪个。

SRT：最通用的字幕格式

SRT 全称 SubRip Text，是字幕界的「普通话」。几乎所有的播放器、剪辑软件、转码工具都支持它。我最早接触字幕就是从 SRT 开始的，那时候还在用暴风影音看美剧。

它的结构极其简单：

1
00:00:01,000 --> 00:00:04,500
你好，世界！

2
00:00:05,000 --> 00:00:08,200
这是第二句字幕。

每个字幕块由三部分组成：序号、时间轴、文本。时间轴格式是 时:分:秒,毫秒，箭头 --> 是固定分隔符。文本支持简单的 HTML 标签，比如 <b>、<i>、<u>，但仅此而已。

ASS：特效字幕的王者

ASS 全称 Advanced SubStation Alpha，是 SRT 的进阶版。它支持丰富的样式控制：字体、字号、颜色、阴影、边框、位置、旋转、动画……你能想到的视觉效果，它基本都能做。

看一个简单的 ASS 示例：

[Script Info]
ScriptType: v4.00+
PlayResX: 1920
PlayResY: 1080

[V4+ Styles]
Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, MarginL, MarginR, MarginV, Encoding
Style: Default,微软雅黑,48,&H00FFFFFF,&H000000FF,&H00000000,&H00000000,0,0,0,0,100,100,0,0,1,2,2,2,10,10,10,1

[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:01.00,0:00:04.50,Default,,0,0,0,,{\pos(400,600)}你好，世界！

看到没？ASS 的头部有 [Script Info] 定义分辨率，[V4+ Styles] 定义样式模板，[Events] 才是实际字幕内容。每个字幕行可以单独指定样式、位置、特效。

ASS 最强大的地方在于它的特效代码。比如：

• \pos(x,y)：固定位置
• \move(x1,y1,x2,y2,t1,t2)：移动动画
• \fad(t1,t2)：淡入淡出
• \clip(x1,y1,x2,y2)：裁剪区域
• \t(style)：过渡动画

这些特效在卡拉 OK 字幕、片头片尾、弹幕效果中特别常用。但要注意，不是所有播放器都支持完整的 ASS 特效。FFmpeg 的 ASS 渲染器（libass）支持度还不错，但某些高级特效（比如 \blur 的某些参数）可能会有兼容问题。

VTT：Web 时代的字幕格式

VTT 全称 WebVTT，是 W3C 标准定义的 Web 字幕格式。它和 SRT 很像，但有一些关键区别。

先看一个 VTT 示例：

WEBVTT

00:00:01.000 --> 00:00:04.500
你好，世界！

00:00:05.000 --> 00:00:08.200
这是第二句字幕。

眼尖的你可能发现了：VTT 的时间轴用 . 而不是 , 来分隔毫秒。另外，VTT 支持一些额外的功能：

• 样式控制：通过 ::cue CSS 伪元素设置样式
• 定位：使用 align 属性控制字幕位置
• 注释：用 NOTE 添加注释行
• 章节标记：可以用字幕做视频章节导航

VTT 最大的优势是原生支持 HTML5 <video> 标签。你不需要任何插件，浏览器就能直接渲染。我在做 Web 视频播放器项目时，几乎都用 VTT。

SUB/IDX：DVD 时代的遗留物

SUB/IDX 是 DVD 字幕的格式。它和前面三种完全不同——它不是文本字幕，而是图片字幕。

简单来说：

• IDX 文件：索引文件，记录字幕的时间轴、位置、颜色等信息
• SUB 文件：字幕数据文件，包含实际的图片数据（通常是 BMP 或 RLE 压缩格式）

这种格式的优点是：字幕效果完全由制作者控制，不会因为播放器不同而变形。缺点是：文件体积大，不能搜索，不能修改文字（除非重新 OCR）。

我记得有一次接手一个老项目，客户给的 DVD 原盘字幕就是 SUB/IDX 格式。我想提取里面的文字，结果发现必须先用 OCR 工具识别。折腾了半天，最后直接用 FFmpeg 把图片字幕嵌入视频了事。

四种格式对比一览

特性	SRT	ASS	VTT	SUB/IDX
类型	文本	文本+样式	文本	图片
样式支持	极简（HTML标签）	丰富（字体、动画、特效）	中等（CSS控制）	固定（不可修改）
文件大小	极小	小	极小	大
兼容性	极高	中等	高（Web环境）	低
可编辑性	容易	中等	容易	困难（需OCR）
适用场景	通用、跨平台	特效字幕、卡拉OK	Web视频、HTML5播放器	DVD原盘、老旧项目

如何选择？我的经验法则

你可能会问：那我到底该用哪个？嗯，这里有几个判断标准：

1. 看播放平台：如果是 Web 播放，用 VTT；如果是本地播放器，用 SRT 或 ASS；如果是 DVD 或蓝光，用 SUB/IDX。
2. 看字幕复杂度：纯文字字幕用 SRT；需要特效、动画、多行样式用 ASS；图片字幕用 SUB/IDX。
3. 看后期需求：如果后续需要修改文字，别用 SUB/IDX；如果后续需要加特效，别用 SRT。
4. 看文件大小：如果对文件体积敏感，优先 SRT 或 VTT；ASS 虽然不大，但特效多了也会膨胀。

我个人习惯是：做项目时先用 SRT 把文字内容定下来，等所有文字确认无误后，再根据需求转成 ASS 或 VTT。这样既保证了效率，又不会因为格式问题返工。

知识体系总览

下面这张图帮你理清四种格式的核心差异和选择路径：

这张图从左到右展示了四种格式的核心特性，以及根据需求选择格式的决策路径。你想想看，是不是比死记硬背参数要直观得多？

FFmpeg 中的格式转换

最后，咱们看看怎么用 FFmpeg 在这四种格式之间转换。这是实际工作中最常用的操作。

SRT 转 ASS：

ffmpeg -i input.srt output.ass

ASS 转 SRT（会丢失样式）：

ffmpeg -i input.ass output.srt

SRT 转 VTT：

ffmpeg -i input.srt -c:s webvtt output.vtt

VTT 转 SRT：

ffmpeg -i input.vtt output.srt

SUB/IDX 转 SRT（需要 OCR，不推荐）：

# 先提取为图片序列
ffmpeg -i input.idx -c:s dvd_subtitle -f image2 %d.bmp
# 再用 OCR 工具识别