作者注：对比 AI 生成视频加字幕的 2 种方案，即 Seedance 提示词烧录字幕和成片音轨转写字幕。文章说明哪种字幕能改、能翻译，以及换视频模型到底能省下哪部分钱。
不少人在 API易 上跑通视频接口后，卡住的往往不是画质，而是成片字幕。常见的想法是：Seedance 一条太贵，换成 Grok、海螺或万相，顺便找一家能”直接把字幕做好”的。先给一句能带走的结论：可编辑字幕不靠视频模型直出，要能改、能翻译的字幕，就对成片音轨做转写。
目前在架的视频模型，没有一家把可编辑的字幕文件当作生成输出。Seedance 可以按火山引擎《Seedance 2.0 系列提示词指南》的写法把字烧进画面像素，但同一份指南也承认，提示词里不写字幕时成片也可能乱出字幕，而且做不到 100% 去掉。Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine 的专页只写到音轨或音频驱动，没有任何字幕参数。所以换更贵的视频模型，解决不了字幕问题。
这不是一份”各有千秋”的折中分析。 本文只比两条路：提示词烧录和后期转写，并按三种典型场景直接给出选择。文中提到的视频模型都在 API易 apiyi.com 上调用，型号与价格以平台型号列表为准。
核心价值：读完你能做两个决定。第一，这条片子要不要在提示词里要求烧字幕；第二，想省钱该换哪一档模型。
AI 生成视频字幕先分清：音轨不等于字幕
讨论 AI 生成视频加字幕之前，要先把”声音”和”字幕”拆开。视频模型把对白、音效和画面一起生成，得到的是嵌在成片里的音轨。音轨里有台词，不等于成片有字幕。就算画面里出现了字，如果它是烧进像素的，也只是画面的一部分，而不是一条字幕。
本文所说的”可用字幕”，要同时满足三件事。第一，字是对的，没有错字、漏字和生僻字乱码。第二，出现时间和台词对齐。第三，事后还能改字、能翻译成别的语言。烧在像素里的字最多满足前两条，第三条永远做不到：改一个错别字就得重抽整条视频，出英文版也得重抽。
火山引擎的提示词指南也是这个口径：它把”字幕”写成画面文字的一种，和广告语、气泡放在同一节，指南里没有 SRT、VTT 或独立字幕轨道。理解了这一点，”哪家视频模型字幕更好”这个问题就可以换个问法：你要的是画面上的字，还是一份能编辑的字幕文件？
AI 生成视频加字幕 2 种方案核心差异
两条路的差别不在画质，也不在模型档次，而在字幕最终存放在哪里。路一把字幕存进像素，路二把字幕存进单独的文件。下表按”可用字幕”的三个标准逐项对比。
| 对比维度 | 路一：提示词烧录字幕 | 路二：成片音轨转写字幕 | 胜出 |
|---|---|---|---|
| 字是否准确 | 依赖模型生成，指南要求优先用常用字、避免生僻字和特殊符号 | 来自对音轨的语音识别，可人工校对 | 路二 |
| 与台词对齐 | 提示词可写「与音频节奏完全同步」，效果靠抽卡 | 由转写时间戳或剪辑软件对齐，可微调 | 路二 |
| 事后改字/翻译 | 不能，改字只能重抽整条视频 | 能，改文件即可，可另出多语言版本 | 路二 |
| 适用模型 | 只有 Seedance 的官方指南写了这项能力 | 任何带音轨的成片都可以 | 路二 |
| 额外环节 | 无，出片即带字 | 需要转写服务或剪辑软件 | 路一 |
| 想去掉字幕时 | 官方说明无法 100% 避免乱出字幕 | 不存在这个问题 | 路二 |
路一：Seedance 提示词烧录 AI 生成视频字幕
Seedance 是在架系列里唯一一个，在官方提示词指南中同时写了”可以做字幕”和”会乱出字幕”的。指南的文字生成一节说明，模型支持生成常用文字，可以指定颜色、风格、出现方式、出现时机和出现位置，适用场景包括广告语、字幕和气泡。需要注意，这份指南的标题是 2.0 系列，没有单独声明 2.5 的字幕能力与 2.0 不同，因此不能把烧录字幕写成 2.5 独有。
下表整理了官方提示词指南里与字幕相关的写法，可以直接照着组织提示词：
| 用途 | 官方提示词指南写法 | 注意事项 |
|---|---|---|
| 指定字幕内容 | 「画面底部出现字幕，字幕内容为「……」，字幕需与音频节奏完全同步。」 | 字幕内容尽量用常用字 |
| 按台词出字幕 | 「画面底部按照台词出现字幕」「画面底部出现对应台词字幕」 | 输出仍是像素文字，没有时间轴文件 |
| 不要字幕 | 「保持无字幕」「避免生成任何文字或字幕」 | 官方说明目前无法 100% 避免 |
| 文字风格 | 可指定颜色、风格、出现方式、时机、位置 | 避免生僻字和特殊符号 |
这条路的优点是零额外环节：出片就带字，适合发短视频平台的竖屏小片。缺点也很直接：字错了只能重抽，抽到满意之前每一次都要付出片钱；想出另一种语言版本，也得从头再生成。
调用层面还有几个容易踩的坑。在 API易 apiyi.com 控制台建令牌时，要选 SeeDance2 分组（倍率 0.18x），计费模式必须是按量优先或按量计费。端点走 /seedance/api/v3/...，不要走 /v1/videos。专页写明，通用端点会把分辨率传错，计费却按实际出片结算。另外 generate_audio 默认是 true，要静音成片必须显式传 false。
路二：成片音轨转写 AI 生成视频字幕
后期方案的分工很清楚：视频模型只负责出一条带音轨的成片，字幕交给单独的转写服务或剪辑软件。转写得到带时间轴的字幕文件，之后有两种用法。一是把字幕烧进画面，用于不支持外挂字幕的平台；二是作为侧车文件随视频一起分发，播放器可以开关，也可以切换语言。
转写服务的选择要看清当前状态。OpenAI 语音转文本指南目前推荐用 gpt-transcribe 做文件转写，接口是 POST /v1/audio/transcriptions，返回文本和识别到的语言，单文件上限 25 MB。词级或句级时间戳的示例仍指向 whisper-1 的 timestamp_granularities 参数，而这个参数只支持 whisper-1。whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe 等型号已被标为废弃，关停日是 2027-02-26。
还有一点要说明：2026-11-10 15:40 的 API易模型总表里，没有 whisper-1，也没有 gpt-transcribe。后期这一步不在本次的视频型号列表里，需要用单独的转写服务或剪辑软件自带的语音识别来完成。时间轴对齐也可以交给剪辑软件，转写只负责把文字识别准确。
在架视频模型的 AI 生成视频字幕能力一览
下表汇总各视频模型专页在声音和字幕上的写法。字幕参数一列是在 2026-11-11 对各专页全文检索的结果，检索关键词包括”字幕”、SRT、烧录字幕和字幕轨道。
| 系列 | 模型 ID | 声音相关（专页写法） | 字幕参数 | 调用要点 |
|---|---|---|---|---|
| Seedance | doubao-seedance-2-5-260628、doubao-seedance-2-0-260128、doubao-seedance-2-0-fast-260128、doubao-seedance-2-0-mini-260615 |
generate_audio 默认开启 |
无字幕文件；可按火山指南提示词烧录 | SeeDance2 分组，走 /seedance/api/v3/... |
| Wan3.0 | wan3.0-video、wan3.0-video-prime |
audio 默认 true，输出自带音轨 |
无 | 提交到 /wan/api/v1/services/aigc/video-generation/video-synthesis，带头 X-DashScope-Async: enable |
| Wan2.7 | wan2.7-t2v、wan2.7-i2v、wan2.7-r2v、wan2.7-videoedit |
仅 wan2.7-i2v 支持 driving_audio 对口型 |
无 | 只有 720P / 1080P，时长 2–15 秒 |
| HappyHorse 1.1 | happyhorse-1.1-t2v、happyhorse-1.1-i2v、happyhorse-1.1-r2v、happyhorse-1.0-video-edit |
图生视频不支持 driving_audio，专页未写默认对白 |
无 | 时长 2–15 秒，对口型需改用 Wan2.7 |
| MiniMax H3 | MiniMax-H3 |
自带立体声音轨，无法关闭 | 无 | 只开放 768P，走 /hailuo/v2/video_generation |
| Oxygen | oxygen-1.0 |
成片自带音轨 | 无 | OpenAI Videos 兼容，POST /v1/videos |
| Grok Imagine | grok-imagine-video、grok-imagine-video-1.5、grok-imagine-video-1.5-lite |
默认自带音轨，关闭音频不降价 | 无 | 需开通 GrokOfficial 分组 |
这张表最想说明的是：除了 Seedance 之外，其他专页都没有字幕相关内容，所以不能推断它们”也能按提示词出字幕”。以上模型都可以在 API易 apiyi.com 用同一个账号调用，具体型号与可用分组以平台型号列表为准。
有几处细节值得单独说。Wan2.7 的 driving_audio 是让嘴型跟着音频动，属于口型能力，和字幕无关。专页自己的建议是：需要音频驱动对口型时用 2.7，要默认音轨、更长时长、更低价格时用 Wan3.0。MiniMax H3 在 API易 上是开源权重自部署，不是原厂 API 转发；它的音轨关不掉，传 generate_audio=false 会返回 400，错误字段为 unsupported field generate_audio，传 2K 分辨率同样会被拒绝。
Grok Imagine 三款的情况比较特殊：专页有价格，但 2026-11-10 15:40 的模型总表里没有这三行。它不是没上架，调用前需要在控制台确认 GrokOfficial 分组已开通。
AI 生成视频字幕与出片成本：换模型省的是什么
既然字幕不随视频模型变化，换模型能省下的就只有出片费。下面用同一条 5 秒片子的文档价作对照。有一点必须先说明：各行的分辨率不同，这张表只能用来比成本，不能当作同一条片子的画质对比。
| 模型 ID | 分辨率 | 时长 | 参考视频 | 文档价 | 价格来源 | 数据日期 |
|---|---|---|---|---|---|---|
oxygen-1.0 |
480p 或 768p（同价） | 5 秒 | 不含 | $0.10 | 专页每秒价 × 5 | 专页 2026-11-11 核对 |
grok-imagine-video-1.5-lite |
480p / 720p | 5 秒 | 不含（不计输入图） | $0.10 / $0.15 | 专页每秒价 × 5 | 专页 2026-11-11 核对 |
wan3.0-video |
480P / 720P / 1080P | 5 秒 | 不含 | $0.147 / $0.294 / $0.588 | 专页 5 秒总价 | 专页 2026-11-11 核对 |
MiniMax-H3 |
768P | 5 秒 | 不含 | $0.15 | 专页 | 专页 2026-11-11 核对 |
grok-imagine-video |
480p / 720p | 5 秒 | 不含（不计输入图） | $0.25 / $0.35 | 专页每秒价 × 5 | 专页 2026-11-11 核对 |
wan2.7-* |
720P / 1080P | 5 秒 | 不含 | $0.42 / $0.70 | 专页 5 秒总价 | 专页 2026-11-11 核对 |
doubao-seedance-2-0-mini-260615 |
720p | 5 秒 | 不含 | $0.4508 | 专页价目表 | 专页 2026-11-11 核对 |
happyhorse-1.1-* |
720P / 1080P | 5 秒 | 不含 | $0.63 / $1.12 | 专页 5 秒总价 | 专页 2026-11-11 核对 |
doubao-seedance-2-0-fast-260128 |
720p | 5 秒 | 不含 | $0.7253 | 专页价目表 | 专页 2026-11-11 核对 |
doubao-seedance-2-0-260128 |
720p | 5 秒 | 不含 | $0.9074 | 专页价目表 | 专页 2026-11-11 核对 |
grok-imagine-video-1.5 |
1080p | 5 秒 | 不含（不计输入图） | $1.25 | 专页每秒价 × 5 | 专页 2026-11-11 核对 |
doubao-seedance-2-5-260628 |
720p | 5 秒 | 不含 | $1.3721 | 专页价目表（按面积乘时长结算，±5% 偏差属正常） | 专页 2026-11-11 核对 |
同为 720p、5 秒、不含参考视频（专页 2026-11-11 核对），Seedance 2.5 的 $1.3721 约是 wan3.0-video 的 $0.294 的 4.7 倍，约是 mini 的 $0.4508 的 3.0 倍。这个倍数只说明出片成本，不说明字幕更好。专页另有一处 FAQ 写的 2.5 价格与价目表略有出入，本文以价目表为准。
看总表时也有几个容易误读的格子。Seedance 那几格是未乘 0.18 分组倍率的每百万 token 基准价，不是一条视频多少美元。wan3.0-video 在总表里只有一格每秒价，那一格对应的是 480P，不是所有清晰度的单价。HappyHorse 在总表上写的是按量基准，不是每秒价，按秒算钱要看专页。对价格时，建议以 API易 apiyi.com 型号列表结合各模型专页的分档价为准。
AI 生成视频加字幕场景推荐
场景一：要能改、能翻译的 AI 生成视频字幕
教程片、产品演示、要出多语言版本的内容，都属于这一类。这类片子的字幕早晚要改：客户挑一个错别字、术语要统一、市场要英文版。走后期转写是唯一稳的方案，视频模型只管出带音轨的成片。
这个场景下选视频模型，按画面需求和预算挑即可，字幕不是选型因素。注意，成片里不能先被烧上乱字幕，否则后期字幕会和画面上的字叠在一起。如果用 Seedance，提示词里要加无字幕约束；如果用其他系列，专页虽然没有写字幕能力，出片后也要检查一遍画面。
场景二：短视频底部只要台词字，能接受重抽
如果只是发平台的短竖屏，底部有一行台词字就够，而且能接受偶尔出错、重抽一次，那么可以只用 Seedance 按火山模板写烧录字幕。提示词里写清字幕内容，并要求与音频节奏同步，同时坚持用常用字，避开生僻字和特殊符号。
要清楚这不是稳定交付。抽到错字时，重抽的成本就是又一条出片费，所以先用 mini 或 fast 调提示词，确认字幕写法稳定后再考虑更高档位。不要为了字幕效果直接上 2.5。
场景三：成片里不能出现任何字幕
品牌片、要二次剪辑的素材、准备后期上多语言字幕的底片，都要求画面干净。如果用 Seedance，必须在提示词里写「保持无字幕」「避免生成任何文字或字幕」。同时先把参考图或参考视频里的文字去掉，尽量出横屏。官方指南说明，横屏乱出字幕的概率明显低于竖屏，竖屏再靠剪辑裁切补救。
即使三条都做到，官方的说法仍是无法 100% 避免。所以出片后必须人工检查。对干净度要求极高的项目，可以把裁切空间预留在构图里。
AI 生成视频加字幕决策建议
把前面的内容压缩成一张决策表，遇到具体片子时直接对照：
| 你的需求 | 走哪条路 | 视频模型方向 | 不要做的事 |
|---|---|---|---|
| 字幕要能改、能翻译、时间对齐 | 路二：后期转写 | 按画面和预算选，带音轨即可 | 指望任何视频模型出字幕文件 |
| 短视频底部要台词字，能接受重抽 | 路一：Seedance 烧录 | 先用 mini / fast 调提示词 | 为字幕效果升级到 2.5 |
| 成片不能有字幕 | 路二，或 Seedance 加无字幕约束 | 横屏优先，参考素材先去字 | 相信约束词能 100% 去干净 |
| 要对口型 | 路二配字幕 | wan2.7-i2v 的 driving_audio |
用 HappyHorse 图生视频做对口型 |
| 要默认音轨又要便宜 | 路二配字幕 | Oxygen、Wan3.0 480P、Grok 1.5-lite、MiniMax H3 | 以为便宜档会缺少字幕能力 |
两条路可以用一句话对标。提示词烧录在”出片即带字、零额外环节”上占优，但字存在像素里，不能改、不能译，想去掉时还去不干净。相比之下，后期转写多一个环节，却在字幕准确度、时间对齐和多语言复用上全面胜出，适合所有需要交付的片子。
省测试费的思路也随之清楚了。15 秒以内、720p 够用时，先看 Seedance mini 或 Wan3.0 标准版；要默认音轨又要便宜，看 Oxygen、Wan3.0 480P、Grok 1.5-lite 和 MiniMax H3。Grok、海螺和 Seedance 之间的效果差异，专页没有做过同题字幕对照，所以不必把”哪家字幕更好”当成换模型的理由。
💡 选择建议：字幕方案先定，视频模型后选。建议在 API易 apiyi.com 用同一个 Key 分别跑两三档模型的同题样片，只比画面和音轨；字幕统一交给后期，这样比较的才是真正花钱的那部分。
还有两个通道不在推荐范围内。据 API易 2026-11-09 的公告，Google 已于 2026-10-22 停止 veo-3.1-generate-preview 与 veo-3.1-fast-generate-preview，API易的 VEO 3.1 官转已停，谷歌系视频通道暂时都没有。同一则说明里，Sora 2 相关通道也已下线。
AI 生成视频加字幕常见问题 FAQ
Q1：什么是 AI 生成视频的”可用字幕”？
可用字幕要同时满足三点：字是对的、时间和台词对齐、事后还能改字或翻译。视频模型生成的是音轨，烧在像素里的字不能单独修改，因此不算可用字幕。
Q2：换成 Grok、海螺或万相，哪家能直接把字幕做好？
都不能。Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine 的专页只写音轨或音频驱动，没有字幕参数，也没有做过同题字幕对照。换模型能省的是出片费，字幕仍然要靠后期转写。
Q3：Seedance 2.5 烧录字幕比 2.0 更强吗？
没有依据这么说。火山引擎的提示词指南标题是 2.0 系列，没有单独声明 2.5 的字幕能力有什么不同。2.5 的优势在 4–30 秒的时长、更多参考图和 mov 输出，而不是字幕。
Q4：模型总表里没看到 Grok Imagine，是没上架吗？
不是。Grok Imagine 三款在专页上有价格，只是 2026-11-10 15:40 的模型总表没有列出这三行。调用前请在 API易 apiyi.com 控制台确认 `GrokOfficial` 分组已开通。另外，关闭音频不会降价。
Q5：如何通过 API 快速调用这些视频模型？
注册 API易 后获取 API Key（新用户有免费测试额度），然后按各专页的端点调用：
– OpenAI 兼容的 base_url 是 `https://api.apiyi.com/v1`，Oxygen 用其下的 `POST /v1/videos`
– Seedance 走 `/seedance/api/v3/…`，令牌选 `SeeDance2` 分组
– Wan3.0 提交到 `/wan/api/v1/services/aigc/video-generation/video-synthesis`，并带 `X-DashScope-Async: enable`
– MiniMax H3 走 `/hailuo/v2/video_generation`
Seedance 和 Wan3.0 都不要套用 `/v1/videos`。
Q6：后期转写用什么服务？
API易 当前的模型总表里没有 `whisper-1` 和 `gpt-transcribe`，转写需要使用单独的服务或剪辑软件。OpenAI 现推荐用 `gpt-transcribe` 出文本；文档里的词级时间戳示例仍指向 `whisper-1`，而它的关停日是 2027-02-26。单文件上限 25 MB，长视频建议先抽出音轨再转写。
Q7：提示词烧录字幕有哪些已知限制？
– 字幕存进像素，改字、翻译都只能重抽整条视频
– 不写字幕也可能乱出字幕，官方说明无法 100% 避免
– 竖屏乱出字幕的概率高于横屏，参考素材里的字会增加风险
– 生僻字和特殊符号容易出错，应优先用常用字
AI 生成视频加字幕核心要点 Key Takeaways
- 音轨不等于字幕：视频模型产出的是嵌在成片里的声音，不是字幕文件
- 只有 Seedance 写了烧录：火山指南支持把字幕烧进像素，但不提供字幕文件
- 去字幕做不到 100%：需要约束词加去除参考素材文字，横屏优先
- 其他系列无字幕参数：Wan、HappyHorse、MiniMax H3、Oxygen、Grok 的专页只写音轨
- 可改字幕走后期：对成片音轨转写，再烧进画面或作为侧车文件
- 换模型只省出片费：不要为了字幕升级 2.5，先看 mini、Wan3.0 等低档
- 上手方式：在 API易 用一个 Key 跑多档样片，价格以平台型号列表为准
总结
AI 生成视频怎么加字幕，核心要点只有三条：
- 可编辑字幕不靠模型直出：没有一家视频模型把字幕文件作为输出，要能改、能翻译的字幕，就走后期转写。
- Seedance 烧录是权宜之计：按火山提示词指南可以把字烧进画面，适合能接受重抽的短视频，但它不是稳定交付，想去掉字幕时也去不干净。
- 省钱要换出片档位，而不是追字幕：同为 720p、5 秒、不含参考视频（专页 2026-11-11 核对），2.5 约是 Wan3.0 标准版的 4.7 倍，这笔差价买不到更好的字幕。
下一步建议先定字幕方案，再挑视频模型。推荐在 API易 apiyi.com 用免费测试额度，先跑 mini、Wan3.0、Oxygen 等低档样片验证画面与音轨，字幕统一交给后期处理。
📚 参考资料
- 火山引擎《Doubao Seedance 2.0 系列提示词指南》：文字生成与字幕写法、无字幕约束及乱出字幕的处理说明
- 链接：
docs.volcengine.com/docs/ark/seedance-2-0-prompt-guide -
说明： 本文路一的字幕模板和”无法 100% 避免”的口径均来自此指南，2026-11-11 读取
-
OpenAI 语音转文本指南：
gpt-transcribe转写接口与时间戳参数说明 - 链接：
platform.openai.com/docs/guides/speech-to-text -
说明： 后期转写方案的接口、文件上限与废弃型号关停日期，2026-11-11 读取
-
API易文档中心 · 视频模型专页：Seedance、Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine 的参数与分档价
- 链接：
docs.apiyi.com/api-capabilities/ - 说明： 型号、端点、分组与 5 秒文档价的来源；VEO 3.1 下线公告位于同站
/live/2026-11/veo-3-1-official-offline
作者: APIYI 技术团队
技术交流: 欢迎在 API易 网站首页联系我们，更多模型参数与调用说明可访问 docs.apiyi.com 文档中心
