無障礙常被當成「上線前補字幕」的一個步驟。實際上,配音一旦錄錯方向,字幕再準也救不回來:句子太長、唸了「如圖所示」、關鍵數字只出現在畫面上、旁白蓋掉警示音——這些問題都發生在錄音階段,不是字幕階段。
這篇談教材與課程影片的配音怎麼做才符合 WCAG 的實際要求,包含字幕切分、對比與畫面設計、非語音資訊的處理,以及一份可以直接拿去用的上線檢查清單。內容是實務經驗整理,不是法律或合規意見;正式合規請對照 WCAG 2.2 原文與你所在地區的法規。
無障礙不是「加字幕」:四條通道要同時成立
一支影片的資訊會走四條通道,任何一條斷掉,就有一群人被排除。
| 通道 | 誰依賴它 | 配音階段的決策 |
|---|---|---|
| 聽覺 | 全盲、低視力、臨時無法開聲音的人 | 旁白要完整描述畫面關鍵資訊,不能只說「看這裡」 |
| 視覺 | 聽障、吵雜環境、靜音自動播放 | 關鍵資訊不能只靠聲音,字幕與文字卡要能獨立讀懂 |
| 文字 | 聽障、非母語者、需要翻譯或搜尋的人 | 字幕要與配音逐字一致,才能被機器翻譯與檢索 |
| 操作 | 動作障礙、只用鍵盤的人 | 播放器要能暫停、關字幕、調語速 |
最常見的錯誤是只補第三條。字幕有了,但旁白從頭到尾說「這個按鈕」「上面那張圖」,聽覺通道的觀眾仍然拿不到資訊。
WCAG 對聲音與影片實際要求什麼
多數教材採 AA 等級。以下是最常被引用、也最常在課程影片上失分的幾條(條號對照 WCAG 2.2):
| 準則 | 等級 | 實務含義 | 配音階段怎麼做 |
|---|---|---|---|
| 1.2.1 純音訊與影片的替代內容 | A | 影片要有文字替代(逐字稿或摘要) | 配音稿本身就是最好的逐字稿來源,別另外重打 |
| 1.2.2 預錄影片的字幕 | A | 有聲音就要有字幕 | 從腳本直出,不要靠自動辨識從頭改 |
| 1.2.3 音訊描述或媒體替代 | A | 畫面中的重要視覺資訊要有替代 | 旁白直接說出畫面重點,勝過事後補音訊描述 |
| 1.2.5 預錄影片的音訊描述 | AA | 視覺資訊不能用旁白帶過時,要另備音訊描述軌 | 腳本階段就決定「這句要不要留白給音訊描述」 |
| 1.4.1 不只靠顏色 | A | 不能用顏色當唯一區分 | 旁白要說「紅色那條」以外的辨識方式 |
| 1.4.3 對比(最低要求) | AA | 一般文字對比至少 4.5:1 | 字幕樣式、文字卡的底色與字色 |
| 1.4.11 非文字對比 | AA | 圖示、邊框、焦點框至少 3:1 | 播放器控制項、圖表線條 |
| 1.4.12 文字間距 | AA | 使用者調整行高與字距後不能斷裂 | 字幕容器不要固定高度、不要裁切 |
| 2.2.2 暫停、停止、隱藏 | A | 會自動播放超過 5 秒的內容要能暫停 | 播放器行為,但配音長度會影響節奏設計 |
一個容易忽略的重點:1.2.3 與 1.2.5 講的是「畫面上有、聲音裡沒有」的資訊。 如果旁白已經把重點說完,就不需要另做音訊描述軌;如果畫面在演示操作步驟而旁白保持安靜(這在軟體教學很常見),那就必須補音訊描述,否則全盲學習者會卡住。
實務上最省成本的策略是:讓旁白承擔 80% 的描述責任,剩下的 20% 用音訊描述軌補。 這比「旁白只講概念、事後補一整套音訊描述」便宜太多,也讓所有觀眾受益。
配音腳本要為字幕而寫,不是配完再硬上
字幕品質的天花板在腳本。以下五個改寫規則,能把字幕重工減少一半以上。
| 問題寫法 | 為什麼傷字幕 | 改寫 |
|---|---|---|
| 「如圖所示,這裡有三個步驟」 | 字幕無法指涉圖,且「這裡」沒有意義 | 「接下來的三個步驟,第一步是選擇範本」 |
| 一句話講完三個概念,超過 40 字 | 必須切成兩到三張字幕,時間軸容易錯位 | 拆成三句,每句一個概念 |
| 「點擊右上角的齒輪圖示」 | 只靠視覺定位 | 「打開設定,位置在畫面右上角」+字幕同步顯示 |
| 數字只說「如畫面上的數字」 | 聽覺通道拿不到 | 直接唸出數字與單位 |
| 「稍後我們會再說明」 | 字幕出現時觀眾已無法回看 | 改成「最後會說明退費方式」 |
一句一意、單句 15–20 字,是中文教材配音最好用的長度。它同時滿足三件事:配音員(或 TTS)不需要換氣、字幕一張放得下、機器翻譯不會斷在錯誤的位置。
數字、單位與專有名詞
| 類型 | 建議唸法 | 字幕寫法 | 注意 |
|---|---|---|---|
| 百分比 | 「百分之三十五」 | 35% | 不要唸成「三成五」,跨語言難翻譯 |
| 金額 | 「新台幣一千二百元」 | NT$1,200 | 幣別一定要唸出來 |
| 日期 | 「二〇二六年三月一日」 | 2026/03/01 | 避免「三月一號」這種口語變體 |
| 版本號 | 「版本二點四」 | v2.4 | 小數點要唸「點」,不要省略 |
| 縮寫 | 依品牌官方唸法 | 原文 | 首見時唸全稱,之後可唸縮寫 |
| 公式 | 「面積等於長乘寬」 | A = L × W | 符號要轉成語言 |
專有名詞的處理方式,在 SSML 停頓與發音控制指南 裡有更細的標記做法;教材場景通常只需要「首見唸全稱 + 換詞避開多音字」這兩招就夠。
字幕的三種做法與實際成本
| 做法 | 準確度 | 時間成本(每 10 分鐘影片) | 適用 |
|---|---|---|---|
| 腳本直出(配音稿即字幕) | 最高,逐字一致 | 約 20–40 分鐘(切分+對時軸) | 有完整配音稿的教材,建議預設 |
| 自動語音辨識 + 人工校對 | 中,專有名詞與數字易錯 | 約 60–90 分鐘 | 現場授課錄影、訪談 |
| 純人工聽打 | 高 | 約 2–4 小時 | 只有成品、沒有腳本時 |
腳本直出之所以值得投資,是因為它同時產出三樣東西:字幕、逐字稿(1.2.1 的替代內容)、以及可被搜尋的課程文字。這三樣在教學平台上都會直接影響學習完成率。
一個實測有效的流程:先寫腳本 → 用腳本產配音 → 用同一份腳本切字幕 → 只做對齊不做改字。 這樣字幕與配音永遠不會出現「意思一樣但字不同」的情況,也就不會出現學生跟著唸卻對不上的問題。
語速與閱讀速度:兩個上限,取嚴格的那個
配音與字幕各自有速度上限,影片必須同時滿足兩者。
| 項目 | 建議值 | 說明 |
|---|---|---|
| 中文配音語速 | 每分鐘 200–230 字 | 低於 180 字會顯得拖,高於 250 字聽障觀眾讀字幕會吃力 |
| 英配語速 | 每分鐘 130–150 字 | 教材比廣告慢,比有聲書快一點 |
| 中文字幕顯示速度 | 每秒 3–4 字(經驗值,非標準) | 超過 5 字/秒時,多數觀眾只能讀不能理解 |
| 字幕單行長度 | 14–18 個全形字 | 手機直式觀看時更短,建議 12–14 字 |
| 字幕停留最短時間 | 1.2 秒 | 短於此觀眾來不及定位 |
換算一下就會發現:240 字/分的配音,等於每秒 4 個字,剛好壓在字幕可讀的上限。所以教材配音不要追高語速,把時間留給停頓與畫面,比塞更多資訊有效。
如果內容真的講不完,正確做法是拆成兩支影片或加一段文字補充,而不是把語速拉到 280 字/分——後者會讓聽障觀眾與非母語學習者同時掉隊。
對比與畫面:配音幫不上忙的四件事
以下四項完全由畫面與播放器決定,配音再完美也無法補救。
| 項目 | 常見錯誤 | 合格做法 |
|---|---|---|
| 字幕樣式 | 白字直接壓在淺色畫面上 | 半透明深色底 + 白字,或描邊;確保 4.5:1 |
| 字幕是否可關 | 字幕燒進畫面(burned-in) | 提供可切換的字幕軌,另備燒字幕版給社群平台 |
| 播放器控制 | 只有播放/暫停,無法調語速 | 至少提供 0.75×/1×/1.25× 與字幕開關 |
| 文字卡停留 | 一閃而過 0.8 秒 | 依字數給足時間,且使用者按暫停時畫面不變 |
燒字幕為什麼不合格: 它不能被關閉(違反使用者控制)、不能被縮放或改字級(違反 1.4.12)、不能換語言(排除非母語者)。社群平台因為靜音自動播放而需要燒字幕,但教學平台上的主版本應該是軟字幕。
非語音資訊:為聽障觀眾寫「聲音的字幕」
音樂、音效、語氣本身也是資訊,字幕要把它們寫出來。
[輕快的背景音樂漸強]
[滑鼠點擊聲]
[警示音響起,畫面轉為紅色]
[講者笑聲]
[停頓 2 秒]
三條實務規則:
- 只寫有資訊量的聲音。 全程都有背景音樂時,開頭標一次即可,不要每句都標。
- 警示與狀態音一定要寫。 系統提示音、錯誤音、計時器響,這些是內容的一部分。
- 配音不要蓋掉關鍵音效。 混音時把旁白壓在 −16 LUFS 左右、音效峰值留 6 dB 餘裕;軟體教學尤其容易把點擊聲與提示音吃掉。
音訊描述與配音的排程衝突
音訊描述需要「沒有對白的空白」才能插入。很多教材配音從頭講到尾,導致事後完全無法補音訊描述。
| 情境 | 問題 | 解法 |
|---|---|---|
| 演示操作,旁白不間斷 | 沒有空檔放音訊描述 | 每個步驟後留 2–3 秒空白,讓旁白說「接下來」再接 |
| 動畫說明流程 | 畫面資訊比旁白多 | 旁白主動說出節點名稱與順序 |
| 圖表數據 | 只說「如圖」 | 唸出趨勢與關鍵數值,細節留給文字替代 |
寫腳本時可以加一個簡單標記:[AD] 代表「這段畫面需要音訊描述或旁白補述」。有標記的段落,配音就一定要留白。
多語言教材:版本一致性比完美更重要
同一門課有中文與英文版時,最常見的災難是「字幕更新了、配音沒更新」。
| 欄位 | 為什麼要記 | 範例 |
|---|---|---|
| 腳本版本 | 配音與字幕要對得上 | v3 |
| 配音版本與日期 | 判斷是否需重生成 | zh-v3 2026-11-17 |
| 字幕版本 | 常與配音不同步 | zh-v3.1(修錯字) |
| 對應語系 | 避免誤用他語版本 | zh-Hant / en |
| 變更摘要 | 三個月後還看得懂 | 「第 4 章補充退費說明」 |
多語言版本的整體流程,可以參考 配音本地化 QA 檢查清單,教材場景只需要把「時長對齊」與「術語表」這兩項抓緊即可。
上線前七步檢查清單
| # | 檢查項目 | 通過標準 |
|---|---|---|
| 1 | 配音稿是否等於字幕稿 | 逐字一致,只有標點差異 |
| 2 | 每句是否 20 字內、單一概念 | 抽 10 句檢查,超過 2 句不合格就重切 |
| 3 | 數字、單位、版本號是否唸出 | 對照稿件逐項核對 |
| 4 | 是否有「如圖」「這裡」等視覺指示 | 全部改成語言描述 |
| 5 | 關鍵音效是否可聽見 | 戴耳機聽一遍,確認警示音清楚 |
| 6 | 字幕是否可關、可調語速 | 播放器實測,含手機 |
| 7 | 是否有逐字稿或摘要頁 | 與影片同一頁面可取得 |
這七項全部通過,通常就能涵蓋 1.2.x 與 1.4.x 的主要要求;其餘細節依你的平台與法規再補。
五個常見誤解
| 誤解 | 事實 |
|---|---|
| 「有字幕就符合無障礙」 | 字幕只覆蓋聽覺→文字一條通道,視覺資訊仍需替代 |
| 「AI 配音聽起來自然就沒問題」 | 自然度不等於可理解度;語速與斷句才是關鍵 |
| 「自動辨識字幕夠用了」 | 教材的專有名詞與數字錯誤率偏高,錯字會直接誤導學習 |
| 「字幕燒進畫面比較省事」 | 不可關、不可縮放、不可換語言,多數規範下不合格 |
| 「無障礙會讓影片變難看」 | 好的旁白描述通常讓所有觀眾都更容易懂 |
用 AI 配音把無障礙做成預設值
無障礙成本高的根本原因是「重工」:配音一次、字幕一次、逐字稿再一次。用 AI 配音可以把這三段併成一段——腳本即配音、腳本即字幕、腳本即逐字稿。
實作上建議:
- 用 Soundwaver 的 TTS 依段落生成,每段獨立檔,方便日後只重生成修改的那一章。
- 教材系列課程固定用同一組聲音,建立可辨識的「課程聲音」,這在 品牌一致性聲音 的做法可以直接套用;需要保留講師本人音色時用 聲音克隆。
- 章節大綱、測驗題與摘要可交給 WaveMind 先產初稿,人工只做校對。
- 用量與方案在 價格頁 可先估算:教材通常是「一支影片多次修訂」,重點在重生成成本而不是單次生成成本。
常見問題
字幕一定要與配音逐字一致嗎?
建議一致。逐字一致讓字幕可以被機器翻譯、被搜尋、被朗讀,也避免學生「聽到的」與「看到的」不同。唯一例外是語助詞與重複詞,可以省略。
只有文字稿、沒有字幕,算不算符合 1.2.2?
不算。1.2.2 要求的是同步字幕;文字稿對應的是 1.2.1 的替代內容。兩者是不同準則,通常需要同時具備。
旁白已經描述畫面了,還需要音訊描述軌嗎?
如果旁白確實涵蓋畫面上的所有關鍵資訊,就不需要另做。判斷方法:關掉畫面只聽聲音,能理解內容就合格。
中文教材的配音語速建議多少?
每分鐘 200–230 字是兼顧理解與節奏的區間。給兒童或非母語者的內容建議降到 180–200 字,並拉長句間停頓。
自動生成的字幕可以直接上線嗎?
教材不建議。專有名詞、數字、單位與公式是自動辨識最常出錯的地方,而這些正是學習重點。至少要人工全篇校對一次。
影片有背景音樂,字幕要標嗎?
開頭標一次「背景音樂」即可。只有當音樂變化帶有資訊(例如轉場、警示、情緒轉折)時才需要逐段標註。
無障礙不是額外的工作量,而是把腳本寫對之後自然得到的結果。從下一篇教材開始,試著讓旁白自己說清楚畫面——你會發現字幕、逐字稿與翻譯的品質一起變好。

