YouTube 字幕怎麼切成句子：英文跟讀的斷句與 CEFR 分級
最近我做了一個練英文的小工具：英文跟讀 ↗。用法很簡單：貼上一支 YouTube 影片的連結，它會把英文字幕切成一句一句，每句標上難度。你可以只重播其中一句，錄下自己跟著唸的聲音，最後再用排序和拼字小遊戲複習。
難度用的是 CEFR（歐洲語言共同參考架構）。它把語言程度分成六級：最簡單的是 A1、A2，中間是 B1、B2，最難的是 C1、C2。
動手之前，我以為最難的會是控制播放器。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，還有一句話算幾級。這篇把實際的規則攤開來講，文中的比例和次數，都是開發時拿真實影片量出來的。最後也會說明，為什麼這個工具刻意不給發音分數。
字幕的一行，不等於一句話
YouTube 的字幕是一行一行出現的，每一行都有自己的開始時間（程式裡叫 cue，下面我都叫它「字幕行」）。最直覺的做法是一行當一句。問題是，字幕行是照畫面放得下幾個字、或講者在哪裡停頓來換行的，不是照句子切的。一句話常常跨兩三行，也常常在一行的中間就講完了。
舊版就吃了這個虧。當時我以為自動字幕沒有標點、沒辦法斷句，所以乾脆一行當一句。其實 YouTube 現在的自動字幕大多有標點，只是句尾常常落在一行的中間。我拿一支 TED 影片的自動字幕來數（後面的截圖用的也是這支）：整份有 456 個句尾標點，只有 166 個剛好在行尾。結果那支影片的「句子」只有兩成以句號結尾，其他都是被攔腰切斷的半句。
現在手動字幕和自動字幕走同一套流程。先清掉 (Laughter)、[Music] 這種不是台詞的標記，再分四步處理：
- 在每一行裡找句尾：看到句尾的標點，就把這一行切成幾段。
- 把片段接成句子：一段一段往下接，接到真正的句尾就收成一句。
- 太短的句子併進前後句：少於 5 個字，不適合拿來跟讀。
- 最後清理：拿掉訪談字幕行首代表換人講話的
-號，還有Translator:這種字幕製作資訊。
圖：字幕行和句子的對照示意。同一行裡可能藏著句尾，一句話也可能跨好幾行（例句為示範用）。
我拿六支影片比較改版前後（兩支自動字幕、四支手動字幕）。句子以句號結尾，大致代表它是完整的一句；這個比例整體從 66.2% 升到 94.5%，那支 TED 影片從 20.4% 升到 89.8%。
句號不一定是句尾：縮寫怎麼判斷
如果「看到句號就切」，第一個會踩到的雷就是縮寫，像 Mr. Smith、U.S. Senate、No. 5。這些句點後面，話明明還沒講完。
程式是一個單字一個單字看：只有結尾是句點的單字，才會被拿來判斷，而不是在整串文字裡找句點。所以 stanford.edu、3.5 這種句點夾在中間的字，根本不會被檢查。剩下的規則有這幾條：
- U.S.、e.g.、a.m.：這種「一個字母一個點」、至少連續兩組的縮寫，不切。例外是下一個字是 It、The、But 這種幾乎一定是新句子開頭的字，這時還是要切。
- No.、Vol.、p.：後面接數字才算縮寫。我測試用的字幕裡，No. 出現 14 次，全都是「不」的意思，沒有一次是「第幾號」。
- Mr.、Dr.，還有月份、星期的縮寫：後面接大寫或數字，才算縮寫。
- etc.、vs.、Inc.：一律當縮寫。
- 刪節號：下一個字是大寫開頭，才算句尾。所以
which is not often ... thankfully不會被切開。
另外有兩條規則，看起來很合理，實測卻是弊大於利，所以我刻意不做。
第一條是「句點後面接小寫，就不切」。這條規則的想法是：新句子一定大寫開頭，所以句點後面接小寫，就代表話還沒講完。但我的測試字幕裡只出現三個真正的縮寫，後面接的全是大寫的專有名詞（像 Mrs. Lynne、U.S. Senate），這條規則一次都沒派上用場。反過來，它還把自動字幕裡 8 個真正的句尾誤判成不用切，因為語音辨識不保證新句子一定大寫開頭。
第二條是「單一字母加句點，就是縮寫」。問題是英文的 I 就是單一字母。如果這樣判斷，you and I. 後面那一句會整個被黏上來。
講者一直不講完一句，怎麼辦
有些人講話可以拖二三十個字都不下句點，對話類的影片特別常見。一句太長根本唸不完，所以我設了上限：接到 28 個字或 15 秒，就先收成一句。兩行字幕之間如果空白超過 3 秒，也直接切開。
問題是，撞到上限時要切在哪裡？原本是撞到就切，常常切在很怪的地方。例如切成 …because well, it might be，下一句只剩一個 uncomfortable.。
現在的做法是：句子接到 24 個字以後，就允許在「子句的交界」收尾。子句是句子裡自己有主詞和動詞的一小段；交界指的是逗號、分號的後面，或是 I、you、because、but 這種常用來開始新子句的字前面。切在這種字前面，下一句就會從一段完整的話開始。
圖：同一支 TED 影片的練習頁。第 3、4 句就是上面那個 because 的例子，現在改在 because 前面切開。第 7 句是三個短句黏成一句，下一節會說明。句子前面的色點代表 CEFR 等級。
這條規則還會先往後看：要確定撞到上限之前都不會遇到句點，才用子句切點。不然本來再三五個字就會講完的好句子，會被提早切開。
門檻要設多少，真的需要取捨。同樣拿那六支影片來比：
| 從第幾個字開始允許子句切點 | 以句號結尾 | 切在半路 | 超過 28 個字 |
|---|---|---|---|
| 不用子句切點 | 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 |
字幕是一段一段接上去的，最後接上的那段如果比較長，句子還是會超過 28 個字，表格最後一欄算的就是這種句子。
門檻愈低，被切在半路的句子愈少，但完整句子的比例也愈低，沒有兩全其美的設定。我一開始設 18。後來發現手動字幕本來就很少切在半路，設 18 反而讓它以句號結尾的比例從 97% 掉到 90%，付了代價卻沒換到好處，所以才放寬到 24。我也試過「遇到逗號一律切」，結果以句號結尾的比例直接掉到 83%。原因很簡單：停在逗號的句子，本來就不是完整的句子。
太短的句子與沒有標點的字幕
前面提過，少於 5 個字的句子會併進前後句。要往哪邊併，看標點決定：
- 前一句沒有句尾標點，代表它還沒講完，就往前併。
- 這一句自己沒有句尾標點，代表它是下一句的開頭，就往後併。
- 兩邊都是完整的句子，就併進時間比較接近的那一邊。
這裡我踩過一個雷：短句會一路往上黏。實測有一句把九句對話黏在一起，變成 What if we shuffle the deck? I'm fine with that. All right. Okay. …。問題不在字數，而在句數，所以我改成一句最多只能黏三個完整的句子。上一節截圖的第 7 句，就是這段對話現在的樣子：黏到三句就停下來。
另外，不是每條自動字幕都有標點。我總共測過 18 條字幕（前面那六支影片的字幕，再加上另外 12 條），其中 3 條一個標點都沒有。程式會算「每一百個字裡有幾個句尾標點」，低於 1.5 就當作沒有標點。有標點的字幕，這個數字落在 6.57 到 13.33 之間，離門檻很遠，不太會誤判。
沒有標點的字幕，就維持一行一句。YouTube 的自動字幕大致會在講者停頓的地方換行，沒有標點時，換行是唯一靠得住的線索。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
每一句都要知道從第幾秒開始播。這一點，自動字幕反而比手動字幕準。
自動字幕的每個字都帶有時間，所以從一行中間切出來的句子，開頭時間是準的。手動字幕整行只有一個開始時間，行中間的切點只能照文字長度按比例推算，例如切點在這行文字的一半，就當作這行的時間過了一半。這樣推出來的時間，誤差的中位數大約 0.3 秒，而一個英文字唸出來的長度，中位數只有 0.24 秒。不處理的話，句子的第一個字就會被吃掉。
所以每一句都會記下「開始時間是不是推算出來的」。如果是推算的，播放時就提早 0.25 秒開始。
一句話算幾級：CEFR 分級
每支影片收進來時，網站的伺服器程式就會先把等級算好（這支程式是 Cloudflare Worker，跑在 Cloudflare 的雲端上）。這一步不找任何 AI 模型幫忙，只是一組固定的規則，所以同一份字幕，永遠會算出同一個結果。整個流程由小到大分四步：
字表：我用的是開源的 wordfreq 3.1.1，它記錄了每個英文字有多常出現，再照這個常見程度把單字分成六級。常見程度用一個叫 zipf 的數字表示：數字愈大愈常見，每多 1，出現次數就多十倍。5.3 以上是 A1，4.8 以上是 A2，4.3 以上是 B1，3.8 以上是 B2，3.3 以上是 C1，2.8 以上是 C2。
單字：每個字會先照原本的樣子查一次，再粗略還原成原形查一次（例如去掉複數的 s、過去式的 ed、進行式的 ing、副詞的 ly、比較級的 er），查到的結果取最簡單的那一級。所以 curiously 在字表裡雖然是 C2，還是會跟 curious 一樣算 B1。句子中間大寫開頭的字，當作人名、地名這類專有名詞，不算分。字表裡查不到、又有 4 個字母以上的字，當成最難的一級。
句子：為了能加減，程式把 A1 到 C2 當成 0 到 5 分。先挑出句子裡最難的兩成單字，算出平均分數，再加上兩個修正，最後四捨五入就是這句的等級：
- 句長：以 12 個字為準，不加也不扣。字數愈多加愈多，到 24 個字加滿 1 分；比 12 個字短就扣分，最多扣 0.5 分。
- 語速：每分鐘 120 字以上加 0.25 分，150 字以上加 0.5 分，180 字以上加 0.75 分。不到 10 個字的句子語速估不準，只加一半。
圖：拿前面練習頁截圖的第 2 句實際算一次：加起來約 1.6 分，四捨五入是 2 分，也就是 B1，跟截圖裡那句的藍點一致。
整支影片：從 A1 往上數，數到哪一級時影片裡 95% 的字都已經包含在內，那一級就是影片的單字等級。再加上平均句長和整體語速的修正；如果是自動字幕，另外多加 0.5 分，也就是半級。
標出來的等級只是估計
有件事一定要說清楚：這裡的 A1，指的是「最常見的 490 個字」，不是教材裡照 CEFR 分級整理的 A1 單字表。它只看一個字在大量文字裡出現得多頻繁，不管初學者是不是先學到它。所以 government、research、international 會落在 A1，eat、sleep、teacher、tomorrow 反而在 A2。
標出來的等級，是幫你挑影片用的估計值，不是檢定成績。以後如果要換成教學用的分級字表，只要照同樣的格式換掉那份字表檔（JSON），程式不用改。
圖：B1 等級頁。「這一級的影片怎麼判定」寫的就是上面那條 95% 規則，旁邊也提醒這是估計值、不是官方檢定。影片縮圖已做模糊處理。
沒有音檔的句子：一個不會報錯的坑
還有一個很難發現的坑。工具裡另外有一個不用影片的「句子練習」。題庫的句子只有文字，沒有真人錄音，所以不知道一句要唸幾秒。可是前面的語速修正，偏偏需要這個秒數。
如果直覺地把唸完的時間寫成 0 秒，程式會把它拉到最低的 0.5 秒。十五個字除以 0.5 秒，等於每分鐘 1,800 字，語速修正直接加到最大的 0.75。結果題庫裡的句子都會平白多出語速分數，十個字以上的句子多 0.75 分，很多句子因此多算一級，程式卻不會報錯，也沒有任何警告。
解法是替這些句子編一個假的唸完時間，照每分鐘 100 字來算。語速修正的第一個門檻是每分鐘 120 字，所以這些句子的語速修正永遠是 0。產生題庫的腳本每次啟動時也會自我檢查：把假時間改成十倍長，分數必須一模一樣；分數要是變了，就代表語速又偷偷被算進去了。
圖：句子練習的難度選單。入門、簡單、中等這些分類，用的就是同一套規則算出來的等級。
為什麼不給發音分數
按下跟讀後，瀏覽器內建的語音辨識會把你唸的話轉成文字（用的是 Web Speech API，網頁可以直接呼叫的語音轉文字功能）。程式再把這段文字跟原句一個字一個字對齊，標出哪些字一樣、哪些發音接近、哪些被聽成別的字，還有漏掉和多出來的字。但畫面上不會出現「發音 87 分」這種分數。
圖：唸錯一個字時，兩種對齊方法標出來的差別。工具用的是右邊這種（例句為示範用）。
不給分數的原因很單純。瀏覽器交給網頁的辨識結果只有兩樣東西：辨識出來的文字，和一個信心值。沒有音素（組成發音的最小單位），也沒有每個字的時間點。所以程式判斷不了你的 th 咬得對不對，也不知道重音落在哪個音節。拿這些資料算出來的發音分數，只會是編出來的數字。
也有研究發現，語音辨識軟體聽不聽得懂非母語者，跟真人聽不聽得懂，常常對不上（Derwing、Munro 與 Carbonaro，2000）。所以我把這個功能定為「可懂度檢查」：看機器聽不聽得懂你，而不是評你唸得標不標準。
照著這個想法，我還做了幾個決定：
- 不先把原句告訴辨識器：Web Speech API 可以先提示辨識器「等一下可能會聽到哪些字」。但這樣你唸錯時，它也可能聽成正確的字，回饋就不準了。
- 對到的字不到一半，就不逐字上色：改成整句提醒。這種情況通常是麥克風收音、環境噪音，或句子太長太快，不是你每個字都唸錯，滿畫面紅字只會誤導人。
- a、the、of 這種小字不特別標出來：這類幫忙組句子的功能詞，辨識器很常漏掉或多加。
- 兩邊用同一套規則整理：原句和辨識結果都會把 I'm 改成 I am、gonna 改成 going to、twenty five 改成 25、colour 改成 color，最後拿掉標點，才拿來比對。
給想看細節的人：對齊與錄音
- 對齊用 Needleman-Wunsch：這是一種把兩串文字逐字對齊的經典演算法。我沒沿用原本的最長共同子序列（LCS），因為 LCS 沒有「替換」這個動作。唸錯一個字，會被算成「漏一個、多一個」，紅字就變成兩倍，也就是上面示意圖左邊的情況。
- 錄音只留在瀏覽器的記憶體裡：換一句或離開頁面就丟掉，不會上傳到本站。錄音時也會關掉瀏覽器的降噪和自動音量調整。它們會削掉氣音、把音量拉平，剛好毀掉你想聽清楚的細節。
- 轉成文字那一步不在本站：用的是瀏覽器內建的語音辨識。在 Chrome 上，聲音會送到 Google 的伺服器處理。
完整字幕只在練習時載入
每支影片的公開頁面只放標題、摘要和大綱，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，工具只是把它整理成好練習的樣子，不該變成讓人整份抓走的逐字稿。
小結
- 斷句看標點，不看字幕行：自動字幕現在有標點，在一行裡面找句尾，是這次改善最多的地方。
- 每條規則都拿真實字幕量過：會讓結果變差的規則，看起來再合理也不做。
- 分級用固定規則：同一份字幕永遠算出同一個結果，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給你看，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。