spoken-captions 是 Picsart gen-ai-skills 中的字幕技能，目标是把口播内容按词级时间显示到屏幕上。资料强调：屏幕上的每个词都来自转写结果，并沿用转写给出的时间，不得改写词的时间。
用途与前置检查
技能用于给生成的配音、用户自己的口播素材，以及从素材剪出的 reel 添加字幕。转写前先用 picsart_media_probe 检查 hasAudio，只有在报告 hasAudio: false 时才跳过，这与 footage-analysis 技能的要求一致。
转写方式
使用 picsart_media_transcribe 转写。对生成的配音，逐条转写生成的语音行，因为这是自有干净音频，词边界准确。对用户自己的素材，每个源素材只转写一次，并复用该转写结果，绝不对剪辑后的片段重新转写。若工具说明指出某个返回片段没有词级时间，则把该片段作为一个整体块覆盖其起止时间，且该块不能带高亮。
配音上的字幕
通过 picsart_scene_patch 把每一行作为 captions 图层放置，content 为 { kind: "captions", transcript, timeOffset }，其中 transcript 直接使用工具返回的转写（已符合 captions 图层结构），timeOffset 是该行在视频中的开始时间。每条字幕 2–4 个词。字幕样式的 offset 以画面中心为基准测量，例如 [0, -670] 在 1080×1920 画面中约位于 y≈290，避开平台覆盖的顶部 250 像素；字幕应放在布局的暗色带中，不要压住面板或焦点。
为保证在任意画面上可读并点亮当前朗读词，字幕样式应带描边，并高亮正在说的词。示例样式包含 effects 中的 stroke（width 与 color）以及 decorations 中 target 为 highlighted、place 为 text 的高亮颜色。技能说明要求从 picsart_scene_capabilities 的 effects 读取效果的 id 和参数，而不是照抄此处；该样式结构于 2026-10-05 通过 picsart_scene_validate。整条视频只用一个高亮颜色，品牌有指定色时用品牌色。
剪辑 reel 上的文字
从用户素材剪出的 reel 会分段播放各源素材，因此文字根据用户已确认的场景，用 python3 scripts/reel_text.py words.json 放置。配置中 scene 指向场景文件，transcripts 把每个有声源的 asset id 映射到已保存的转写，captions 可设置样式，highlights 列出要高亮的短语，每条包含 clip、say，text 可选。脚本从场景读取每个片段在 reel 上的位置和裁剪信息，因此用户在编辑器里重新裁剪过的片段会按最终状态读取，并输出叠加了新图层的场景；被截短的短语会在 notes 中返回。
字幕会为每个有声片段生成一个 captions 图层，在该片段播放其源素材期间打开，并使用源素材的转写。片段若被保持超过 trim.out 会冻结在最后一帧，因此字幕在裁剪结束处关闭。reel 在合成的 duration 处结束，若没有则按轨道图层的时长结束，字幕也在那里停止。照片、静音片段、没有转写的镜头或超出 reel 末尾的片段不会得到字幕；静音片段或超出末尾的片段上的高亮会被拒绝。
高亮全部放在一个 captions 图层上，每个短语一个 segment，渲染器会把每个 segment 放进按测量文字适配的 pill 中。可通过 highlightStyle 改变外观，字体遵循 scene-building-basics 技能。
高亮的选择
高亮是少量值得阅读的句子，不是逐字字幕。每条 reel 建议 2–4 条，每条 2–6 个词，逐字来自转写。say 是实际说的内容；text 可以去掉填充词或修正大小写，但不能改变含义。应挑钩子、数字、中段转折（retention-hooks 技能所称的 rehook）和收尾记忆点，跳过问候、填充词和屏幕上已经出现的内容。放置前先起草，每个短语连同其片段，便于用例提供给用户；即使没有高亮，reel 也是完整的。
高亮一次只显示一个。脚本让每个高亮从第一个词保持到最后一个词之后半秒，持续 1.5–3 秒，绝不超出其片段或进入下一个短语。高亮应大、高对比、位于平台安全带内并避开人脸；用例会说明安全带。若同时有字幕，两者应放在不同带中。最后按 quality-review 技能检查结果，并在每个短语开始处取一帧确认。
限制
资料未提供该技能的独立收费、价格、支持平台范围或完整安装步骤；使用依赖 Picsart 场景与媒体工具链以及相应脚本。