小影自动生成字幕主要是通过识别视频中的对话内容，然后根据画面出现的文字或口型动作来匹配对应的文字。比如当视频里有说话的人，小影会先检测到人脸位置，接着看嘴巴开合频率，把识别到的语音转成文字。不过自动生成的字幕可能不准确，比如有时候会漏掉"嗯""啊"这样的语气词，或者把"手机"识别成"手电筒"。这时候用户就需要手动点着字幕框，用拖拽的方式调整位置，或者用"修改"按钮重新输入正确文字。

为什么小影字幕修改要这样设计呢？根据前年B站用户调研，有78%的用户反馈自动字幕在对话密集的剧情片里，每分钟会出现2-3处识别错误。比如测试数据显示，当视频每分钟有超过5个说话人时，小影的自动匹配准确率会降到65%以下。这是因为小影的识别逻辑是"先找画面文字再对齐语音"，如果画面文字和实际说话内容不一致（比如字幕板显示的是"今晚八点"，但实际对话是"八点见"），系统就会优先相信画面文字。这种设计虽然能减少漏字，但会增加用户手动修改的频率。模拟效果时，原句"他手机掉地上了"可能变成"他手机掉地上了嗯"，或者"手机掉地上了"，甚至出现"手机掉地"这样的少字情况。