必须分离音频并选中纯人声音轨再识别字幕：手机端需分离音频→选中音频轨道→开启AI字幕；电脑版可指定“仅音频轨道”源并启用说话人分离，辅以降噪、自定义词典和波形匹配提升准确率。
你需要为含多音轨（如人声+背景音乐+环境音）的视频生成准确对应每条音轨的AI字幕，但CapCut默认只识别主音轨——必须先分离音频、指定目标轨道，否则字幕会混杂噪音或漏识关键语音。
手机端：分离音轨后单独识别人声音频
第一步：导入视频后，长按时间线上的视频片段→弹出菜单中选择“分离音频”→系统自动生成独立音频轨道，原视频轨道只剩画面。
第二步：点击新出现的音频轨道（不是视频轨道！），确保其被高亮选中；此时底部工具栏才激活【AI字幕】按钮。若未选中音频轨道，【AI字幕】图标呈灰色不可点——【必须选中纯音频轨道，否则识别将调用混合音轨，结果必然错乱】。
第三步：点击【AI字幕】→右上角齿轮设置语言为“中文(简体)”→关闭“保留语气词”（多音轨环境下语气词易被误判为有效语音）→点击“开始识别”。
这一步操作起来很简单，直接把文件拖进去就行。但注意：如果视频含同期采访+画外音双人声，CapCut手机端无法自动区分说话人，识别结果会全部堆叠在同一字幕块里，需后续手动拆分。
电脑版：指定音轨源并启用说话人分离
方法一：导入视频后，在顶部菜单栏点击【文本】→【识别字幕】→在弹窗中将“音频源”从默认的“视频音轨”改为“仅音频轨道”→勾选“自动标点”和“启用说话人分离”→点击“开始识别”。
方法二：右键时间线上方空白处→选择“识别字幕”→在弹窗中手动切换音频源为“音频轨道”→语言选“中文”，其余选项保持默认→点击“开始识别”。
方法三（精准控制）：先右键音频轨道→选择“导出为音频文件”保存为WAV；再新建项目→导入该WAV文件→点击【文本】→【识别字幕】→此时音频纯净无干扰，识别准确率提升明显。此方法适合处理空调低频嗡鸣、键盘敲击等顽固噪声混入的采访素材。
提升多音轨识别准确率的关键操作
① 分离音频后，先对音频轨道执行“降噪”：选中音频轨道→点击顶部【音频】→【降噪】→强度调至60%，预览确认人声未失真后再识别。
② 若视频含中英混读或专业术语，识别前在齿轮设置中开启“自定义词典”→粘贴术语表（每行一个词，如“Transformer”“BERT”），避免AI强行音译。
③ 识别完成后，不要直接编辑字幕文字。先点击字幕轨道右侧的“匹配音频波形”按钮→系统将字幕块吸附至语音能量峰值位置→再逐句播放校对，重点检查数字串（如“1024×768”）、英文缩写（如“API”“UI”）是否被错误连读为中文发音。
