YouTube 字幕怎麼切成句子：英文跟讀的斷句與 CEFR 分級
最近做了一個練英文的小工具英文跟讀 ↗：貼上一支 YouTube 影片的連結，它會把英文字幕切成一句一句，每句標上 CEFR 難度，你可以只重播這一句、錄下自己跟著唸的那一次，再用排序與拼字小遊戲複習。
動手之前，我以為最難的是播放器控制。做了才發現，最花時間的是兩件聽起來很無聊的事：字幕怎麼切成句子，以及一句話算幾級。這篇把實際的規則攤開來講，文中的數字都是開發時拿真實影片量出來的。最後也說明，為什麼它刻意不給發音分數。
字幕行不等於句子
YouTube 的字幕是一行一行出現的（技術上叫 cue），每一行有自己的開始時間。直覺的做法是一行當一句，但字幕行是依「畫面放得下多少字」切的，不是依語意切的。一句話常常橫跨兩三行，也常常在一行的中間就結束。
舊版就吃了這個虧。它假設自動字幕沒有標點、沒辦法斷句，所以一行當一句。實際上 YouTube 現在的自動字幕大多有標點，只是句尾落在行的中間：我拿一支 TED 演講的自動字幕來數，整份有 456 個句尾標點，只有 166 個剛好在行尾。結果那支影片只有兩成的「句子」以句號結尾，其他都是被攔腰切斷的半句。
現在手動字幕與自動字幕走同一條路。先清掉 (Laughter)、[Music] 這類不是台詞的標記，再分四步：
- 行內依標點切片：在每一行裡面找句尾標點，把一行切成幾個片段。
- 片段合併成句：遇到真正的句尾就收成一句。
- 短句合併：太短的句子併進鄰句。
- 收尾清理：拿掉訪談字幕換人說話的破折號，以及
Translator:這類字幕製作資訊。
改版後拿六支影片（兩支自動字幕、四支手動字幕）量，合計「以句號結尾」的比例從 66.2% 升到 94.5%，那支 TED 從 20.4% 升到 89.8%。
句號不一定是句尾：縮寫怎麼判斷
「遇到句號就斷」第一個踩到的就是縮寫：Mr. Smith、U.S. Senate、No. 5。判斷的單位是「一個字」而不是字串裡的位置，所以 stanford.edu、3.5 這種句點在中間的字，本來就不會被當成句尾。剩下幾條規則：
- 兩個字母以上的點狀縮寫（U.S.、e.g.、Ph.D.）視為縮寫，除非下一個字是 It、The、But 這類幾乎一定開新句的字。
- No.、Vol.、p. 只有後面接數字才算縮寫。語料裡的 14 次 No. 全是「不」的意思，不是「第幾號」。
- Mr.、Dr. 與月份、星期的縮寫，後面接大寫或數字才算縮寫。
- etc.、vs.、Inc. 永遠是縮寫。
- 省略號只有在下一個字大寫開頭時才算句尾，
which is not often ... thankfully不會被切開。
更有意思的是兩條「看起來合理、實測是淨傷害」而刻意不做的規則。第一條是「句點後面接小寫就不斷」：語料裡真正的縮寫後面接的全是大寫專有名詞（Mrs. Lynne、U.S. Senate），這條一次都沒幫上忙，反而誤殺了 8 個自動字幕的真句尾，因為語音辨識不保證句首大寫。第二條是「單一字母加句點就是縮寫」：英文的 I 就是單一字母，you and I. 後面那一句會整個被黏上來。
講者一直不下句點怎麼辦
有些講者一段話拖二三十個字都不下句號，對話類影片尤其常見。一句太長就唸不完，所以設了上限：一句最多 28 個字或 15 秒，兩行之間空白超過 3 秒也直接斷開。
問題是撞到上限時要切在哪。原本會切在隨便一個字上，變成 …because well, it might be 接下一句 uncomfortable.。現在的做法是：句子超過 24 個字之後，允許在子句邊界收尾，也就是逗號、分號，或 I、you、because、but 這類子句開頭的字前面。切在主詞前面，下一句就會從完整的子句開始。
這條規則帶前瞻：只有「接下來到上限之前都不會遇到句號」時才用子句切點，不然本來再三五個字就會結束的好句子會被提早切開。門檻取多少是真的取捨，同樣六支影片：
| 子句切點門檻 | 以句號結尾 | 切在詞組中間 | 超過 28 字 |
|---|---|---|---|
| 不用 | 96.2% | 34 句 | 95 句 |
| 24 字起（目前） | 94.5% | 9 句 | 47 句 |
| 18 字起 | 93.9% | 3 句 | 23 句 |
門檻愈低，半路切斷的句子愈少，完整句的比例也愈低，沒有免費午餐。一開始設 18，後來發現手動字幕本來就很少切在半路，付了代價卻沒換到東西，才放寬到 24。也試過「遇到逗號一律切」，以句號結尾的比例直接掉到 83%，因為以逗號結尾的本來就不是完整的句子。
太短的句子，和沒有標點的字幕
少於 5 個字的句子會併進鄰句，一兩個字不適合當跟讀單位。方向看語意線索：前一句沒有句尾標點就往前併（它還沒講完）；自己沒有句尾標點就往後併；兩邊都是完整句，就併進時間比較接近的那一邊。
這裡踩過一個雷：短句會一路往上黏。實測有一句把九句對話黏成 What if we shuffle the deck? I'm fine with that. All right. Okay. …。問題不是長度而是數量，所以規則改成一句最多黏三個完整句。
另外，不是每條自動字幕都有標點。我測過的 18 條字幕軌裡，有 3 條一個標點都沒有。程式用「每一百字有幾個句尾標點」偵測，低於 1.5 就當作沒有標點（有標點的字幕軌實測在 6.57 到 13.33 之間，餘裕很大）。這種字幕維持一行一句：YouTube 的自動字幕大致在停頓處換行，沒有標點時，換行是唯一可靠的結構，硬把好幾行併成一句，反而會跨過說話的停頓。
時間軸：自動字幕反而比較準
自動字幕的每個字都帶時間戳，所以在行內切出來的句首時間是準的。手動字幕整行只有一個時間，行內的切點只能依字元比例內插，誤差中位數大約 0.3 秒，而一個英文字的長度中位數只有 0.24 秒，不處理就會吃掉句首第一個字。所以每一句都帶一個「句首時間是不是內插來的」旗標，播放這種句子時提早 0.25 秒開始。
一句話算幾級：CEFR 分級
分級在收錄影片時由 Cloudflare Worker 計算，不呼叫任何 AI 模型，是一組固定規則，同一份字幕永遠得到同一個結果。
字表：用開源詞頻庫 wordfreq 3.1.1 的 zipf 值（詞頻取對數的尺度）把英文單字分成六帶：A1 ≥ 5.3、A2 ≥ 4.8、B1 ≥ 4.3、B2 ≥ 3.8、C1 ≥ 3.3、C2 ≥ 2.8。
單字：查表前先做粗略的詞形還原（複數、過去式、進行式、副詞、比較級），取查到的最低等級，所以 curiously 會跟 curious 同級。句中大寫開頭的字當作專有名詞，不計分；不在字表裡、長度 4 以上的字當成最難的一級。
句子：取句中最難的兩成單字的平均等級，再加兩個修正：
句長修正 = clamp((字數 − 12) / 12, −0.5, +1)
語速修正 = 每分鐘 120 / 150 / 180 字以上，各加 0.25 / 0.5 / 0.75
（不到 10 個字的句子語速估不準，修正減半）整支影片：找出「95% 的字都在這一級以內」的最低等級，再加上平均句長與整體語速的修正，自動字幕另外加半級。
有一件事必須說清楚：這裡的 A1 是「詞頻最高的 490 個字」，不是教學用的 CEFR A1 字表。所以 government、research、international 落在 A1，eat、sleep、teacher、tomorrow 反而在 A2。標出來的等級是幫你挑影片的估計值，不是檢定。要換成正式的 CEFR 字表，只要換掉那份字表 JSON，格式不變。
還有一個很難察覺的坑。工具另有一個不用影片的「句子練習」，題庫句子沒有音檔，也就沒有時間軸。如果直覺地把時長寫成 0，程式會把時長夾到下限 0.5 秒，十五個字除以 0.5 秒等於每分鐘 1,800 字，語速修正直接加滿 0.75，整個題庫悄悄集體升一級，不報錯也不警告。解法是替沒有音檔的句子倒推一段「每分鐘 100 字」的假時長，讓語速項恆為 0；產題腳本啟動時也會自我檢查：換一個差十倍的假時長，分數必須一模一樣。
為什麼不給發音分數
按下跟讀之後，瀏覽器內建的語音辨識（Web Speech API）會把你唸的話轉成文字，程式再把它跟原句逐字對齊，標出一致、近音、聽成別的字、漏掉與多出來的地方。但畫面上不會出現「發音 87 分」。
原因很單純：瀏覽器交給網頁的辨識結果只有兩個欄位，辨識出的文字（transcript）與信心值（confidence）。沒有音素，也沒有每個字的時間，判斷不了 th 咬得對不對、重音落在哪個音節。拿這些資料算出來的發音分數，就是編出來的數字。研究上也有人指出，語音辨識軟體對非母語者的辨識率，和真人聽者覺得聽不聽得懂並不一致（Derwing、Munro 與 Carbonaro，2000）。所以它的定位是「可懂度檢查」：機器聽不聽得懂你，而不是你唸得標不標準。
幾個配套的決定：
- 不把目標句提示給辨識器。Web Speech API 可以告訴辨識器「可能會聽到哪些詞」，但這樣你唸錯時它也會聽成正確的字，回饋就灌水了。
- 對到的比例低於一半，就不逐字上色，改成整句提示。這通常是麥克風或環境的問題，不是你每個字都唸錯，滿畫面紅字只會誤導。
- a、the、of 這類功能詞淡化，辨識器很常吞掉或多加它們。
- 兩邊套同一套正規化：縮寫展開（I'm、gonna）、拼出來的數字轉成阿拉伯數字、英式拼法轉美式、去標點。對齊用 Needleman-Wunsch 而不是最長共同子序列，因為後者沒有「替換」這個操作，唸錯一個字會被算成「漏一個加多一個」，紅字變成兩倍。
- 錄音只留在記憶體，換句或離開就丟掉，不上傳。錄音時關掉瀏覽器的降噪與自動增益，它們會削掉氣音、把音量拉平，剛好毀掉你想聽的東西。
順帶一提，每支影片的公開頁只放標題、摘要與大綱，完整字幕要按下開始練習才會載入。字幕是影片作者的內容，工具只是把它排成好練的樣子，不該變成一份能被整份抓走的逐字稿。
小結
- 句界看標點，不看字幕行：自動字幕現在有標點，行內切片是最大的改善來源。
- 每條規則都拿真實字幕量過：會變差的規則，看起來再合理也不做。
- 分級用固定規則：可重現，也老實說明它是詞頻估計，不是官方檢定。
- 給不出真的分數，就不給分數：把機器聽到的字攤開，比一個編出來的數字有用。
工具在這裡：英文跟讀 ↗，免費、不用註冊，登入後可以跨裝置同步進度。想知道怎麼用它安排跟讀練習，可以看英文跟讀的工具介紹。