AWS MediaConvert 集成 Smart Subtitles：VOD 转码流程内直接生成 AI 字幕

AWS 于 2026 年 11 月 6 日宣布 AWS Elemental MediaConvert 集成 Smart Subtitles，把基于 Elemental Inference 与语音识别模型的自动字幕生成放进 VOD 转码与封装流程。官方列出六种原生支持语言、自定义词典、伴随文件与画面烧录两种输出，并点名了可用区域。

这次发布的是什么

Amazon Web Services（AWS）于 2026 年 11 月 6 日在官方 What's New 页面宣布，AWS Elemental MediaConvert 现已集成 Smart Subtitles——一项构建在 AWS Elemental Inference 与语音识别模型之上的 AI 字幕能力。变化落在工作流位置：字幕生成被放进了视频点播（VOD）的转码与封装流程内部，官方称客户不再需要另建一套外部字幕流水线，转码与字幕可以在同一个统一流程里管理。

这不是一项独立字幕产品的首发公告，而是 MediaConvert 新增的集成能力。公告同时点明它与既有的 Smart Cropping 等附加能力并列，用于串起端到端的媒体处理链路；输出既可以是文本侧的伴随文件（side-car），也可以是烧录进画面的字幕，分发格式举了 HLS 与 DASH。

可用性与限制

• 使用位置：AWS Elemental MediaConvert，在 VOD 转码与封装作业内启用
• 语言范围：官方写明原生支持六种语言——英语、法语、德语、意大利语、葡萄牙语、西班牙语
• 可用区域：官方点名 US East (N. Virginia)、US West (Oregon)、Europe (Ireland)、Asia Pacific (Mumbai)、Asia Pacific (Sydney)，并说明覆盖 Elemental Inference 可用的全部区域
• 定制能力：可在 Elemental Inference 中定义自定义词典，用于专有名词、品牌名与技术术语
• 输出形态：文本伴随文件与画面烧录两类；分发格式示例为 HLS、DASH
• 未披露：识别准确率、处理时延、时长上限、并发配额与计费，公告均未给出，以官网为准
• 境内可用性：公告所列区域不含中国区域，实际可开通范围以官网区域清单为准
• 场景边界：公告限定在点播转码与封装流程，没有说明直播流字幕场景

主要功能

• 在 VOD 转码流程内自动把音频转写为字幕
• 以原生支持的六种语言生成字幕文本
• 输出文本伴随文件或烧录进画面的字幕
• 用自定义词典校正专有名词、品牌名与技术术语
• 与 Smart Cropping 等附加能力串成端到端媒体链路
• 按 HLS、DASH 等分发格式交付带字幕的成品

技术原理

据官方说明，Smart Subtitles 建立在 AWS Elemental Inference 与其语音识别模型之上，MediaConvert 侧负责把它嵌进既有的 VOD 转码与封装作业。也就是说，转写不是由外部服务在转码完成后另跑一遍，而成为同一作业里的一个环节；官方据此给出的直接收益是「不再需要单独的外部字幕流水线」，转码与字幕创建可在同一个统一工作流中管理。

转写质量的调节手段是自定义词典。公告写明，可以在 Elemental Inference 里定义词典，用来引导模型处理专有名词、品牌名、技术术语等词表外或易混淆的表达——这说明校正发生在识别侧的词汇引导，而不是靠成片后人工逐条改字。官方没有公开声学模型、语言模型结构与解码细节，这部分按「以官网为准」处理，不做推测。

交付侧的两条路径分得很清楚：文本侧伴随文件适合由播放器按需加载、便于后期替换与多语言切换；画面烧录则把字幕固化进视频帧，不依赖播放器支持，但改字需要重新出片。公告把两者与 HLS、DASH 等分发格式并列写出，指出的是封装环节的兼容性，不是说字幕文件本身变成流媒体协议的一部分。

实际体验

不做主观实测，只记录公告页可核对的观察。

一是官方给的是「工作流位置」而不是效果数字：全文没有识别准确率、处理时延或错误率，只说明字幕生成被移进转码作业、可与 Smart Cropping 等能力串用。因此判断是否适合自己的链路，主要看现有流程是不是已经跑在 MediaConvert 上，以及输出形态能否对接下游分发，而不是找一份性能对照表。

二是六种语言被明确列出，属于可核对的硬边界。若素材以中文为主，公告没有把它列进原生支持清单，也没有说明自定义词典能否扩展语种；这类问题只能以官网为准，不宜按「自定义词典可以补齐语言」理解。

三是自定义词典的用途被写得很具体：专有名词、品牌名、技术术语。这说明它面向的是词表型误差，而不是口音、噪声、多人重叠语音这类声学问题。把词典当成通用的准确率开关，容易高估它的作用范围。

项目地址与获取方式

入口是 AWS 管理控制台中的 AWS Elemental MediaConvert；官方在 2026 年 11 月 6 日的 What's New 公告里给出了三个去向：MediaConvert 的 Smart subtitles 说明页、MediaConvert 产品页，以及 AWS Elemental Inference 的 Smart subtitles 说明页。自定义词典在 Elemental Inference 侧配置。请通过官方渠道获取，避免安装被篡改的版本；可用区域与开通条件以官网区域清单为准。

适合谁用

• 已用 MediaConvert 做 VOD 转码、希望少维护一条外部字幕流水线的媒体团队
• 需要同时产出文本伴随字幕与烧录字幕、并分发到 HLS 或 DASH 的平台工程人员
• 素材语言落在官方列出的六种语言内、且有品牌名与技术术语需要统一写法的内容方
• 希望把 Smart Cropping 与字幕生成放进同一条端到端媒体链路的后期团队
• 不必用：做直播字幕、主要处理公告未列语言，或整体不在 AWS 上做转码的团队——本次变化不改变这些场景的现有做法

常见问题

这是 Smart Subtitles 首次发布吗？

按公告措辞，本次宣布的是 AWS Elemental MediaConvert 与 Smart Subtitles 的集成，即字幕能力进入 MediaConvert 的转码与封装流程；页面没有把它写成一项新服务的首发，也没有给版本号。把它读成「AWS 新发布了一个字幕产品」会混淆能力本身与这次的接入位置。能力细节应查 Elemental Inference 的官方说明。

支持中文吗？

公告列出的原生支持语言是英语、法语、德语、意大利语、葡萄牙语与西班牙语，未列中文，也没有说明自定义词典能否扩展语言覆盖范围。涉及语种支持的问题以官网为准，本文不代填推测；有中文素材的团队应先核对官方语言清单，再决定是否进入试用。

自定义词典能解决所有识别错误吗？

不能按等价理解。公告把词典的用途限定在专有名词、品牌名与技术术语这类词汇引导，没有提到口音、背景噪声、多人重叠语音或语速问题。它更像是给识别侧补词表，而不是覆盖所有误差来源的通用开关；实际效果以自己素材上的验证为准。

可以顺带做直播字幕吗？

公告把场景写在视频点播（VOD）的转码与封装工作流内，并列举 HLS、DASH 等分发格式，没有提直播流。HLS 与 DASH 在这里说的是成品封装格式，不代表实时流的字幕生成能力。直播场景是否支持，以官方文档为准，本文不按分发格式反推实时能力。

相关工具与内容

站内 AI 视频分类 与 AI 音频分类 汇总了相关工具；Whisper 工具页、Descript 工具页、Submagic 工具页 可对照转写与字幕侧的选择。脉络可看 Gemini Omni 1.2 Flash 发布 与 AI 视频工具榜单。