屏幕左下角出现三个字：“脚步声”。一个听得见的玩家，在同一瞬间知道了更多：它在左后方，正在靠近，大概是一个人。字幕把这些全压成了一个名词，听不见的玩家只知道“有声音”，却不知道该往哪儿看。游戏里的声音很少只是背景，它们常常就是情报，字幕如果只做语音转文字，丢掉的恰恰是最要紧的那部分。

一行字幕，至少要回答哪三个问题？

把游戏里的声音当作情报来看，每一条都可以追问三件事：谁发出的，从哪里来，有多急。对白字幕回答的主要是第一个问题，脚步声、爆炸声、门被撞开的声音则更依赖后两个。九游会在设计字幕结构时，把这三个问题分别落到具体的字段上：说话人或声源类别、相对方位与远近、事件的紧急程度。

这不是要把每行字幕都写成长句。多数时候，一个简短的前缀就够了，比如“[左后·近]脚步声”“[队友·小林]我在B点”。真正需要设计的，是在什么情况下省略哪一项：对白通常不需要方位，除非说话人在画面之外；环境噪声通常不需要说话人，但需要区分是持续的还是刚刚发生的。

方向要怎么写，才不会读起来像解说词？

方向信息最容易写坏的地方，是坐标系。世界坐标里的“东北方”对玩家没有意义，玩家需要的是相对于自己视角的方向。常见的表达有三种：文字前缀，如“左后”；屏幕边缘的小箭头或渐变提示；把方位折成钟点，如“八点钟方向”。三种各有短板，文字精确但要占用阅读时间，箭头快但难以表达距离，钟点适合熟练用户却对新手不友好，所以更合理的做法是让玩家选，甚至同时开启两种。

方位数据从哪里来，决定了能做到多准。最好的情况，是游戏本身在发出声音时就带有声源的位置信息，字幕系统直接读取；这时方向是确定的，几乎没有猜测。次一等的情况，是系统只能拿到已经混好的立体声或环绕声，从声道之间的差异去推断方向。这种推断在开阔场景里还能用，在混响强、多个声源叠加或被墙体遮挡时就容易出错。如果拿到的只是单声道混音，方向基本无从判断，这时诚实的做法是只显示事件类别而不假装知道方向。

距离也是同样的处理。“近”“中”“远”三档比任何数字都更安全，而且更符合听觉的实际感受。

说话人怎么区分？

多人语音、队友喊话、非玩家角色的台词、旁白同时出现的时候，最常见的问题是读不出谁在说话。解决办法并不复杂：给每类说话人一个稳定的标签，队友使用玩家昵称，角色使用角色名，系统提示和旁白使用固定的类型名；颜色可以作为辅助，但不能作为唯一的区分手段，因为色觉差异的玩家可能分不出，所以标签文字必须始终存在。

更麻烦的是自动识别说话人。玩家语音频道里，多个人同时开口时，语音转文字会出现串字、漏字；对同一个人音色变化的判断也可能出错。有平台账号或频道信息的时候，直接用来源做标签，比从声音里猜要可靠得多。九游会的设计是优先使用游戏或平台提供的结构化来源，只在没有来源时才让AI去猜，并且把猜测的结果标为不确定。

事件太多的时候，谁先显示？

把所有声音都写出来，是另一种失败。一场混战里，枪声、脚步声、技能音效、队友喊话可能在一秒钟内同时出现，屏幕上刷出五六行字，玩家读完时事情已经结束了。所以字幕系统必须有优先级和节流。下面是一个可以直接落地的分级思路：

  • 第一级，直接威胁与生存相关：靠近的脚步、近处爆炸、被攻击的方向，立即显示，并保留较长时间。
  • 第二级，与目标相关：任务提示音、队友求助、关键道具出现，显示但可以与同类合并。
  • 第三级，环境氛围：风声、远处的人群、背景音乐变化，默认只在玩家开启后才显示。
  • 第四级，可以完全忽略：重复的界面音效、脚步声以外的次要材质声，不进入字幕。

节流的原则是“合并优先于丢弃”。同一类事件在很短时间内重复出现，可以合并成“枪声×3”，方向取最近的那个；同一行字幕的停留时间要与其阅读所需时间匹配，而不是与声音本身的长短匹配。一个短促的爆炸声，字幕仍然需要留在屏幕上足够久，让玩家能读完。

示例：[右前·近]枪声×3 → 两秒后 → [左后·中]脚步声靠近。两行字幕分别对应两个方向的威胁，顺序与实际发生的先后一致，而不是把所有声音塞进同一行。

识别错了，玩家怎么知道？

任何用AI去听的字幕系统都会出错：把背景音乐里的人声当成对白，把远处的雷声识别成爆炸，把口音较重的队友的话转成不通顺的句子，或者转写出现之后已经比画面晚了一拍。这些都是需要提前承认的局限。

可行的做法有三个。其一，置信度低的内容用弱化的样式显示，比如淡一点的颜色加一个问号，让玩家知道这条不太可靠，而不是当成事实处理。其二，延迟太大时宁可不显示，也不要显示一条已经过期的“脚步声”，因为一条过期的情报比没有情报更容易误导。其三，给玩家一个很轻的“这条不对”反馈入口，识别出错的记录只用于改进对应的设置，不涉及玩家的语音内容之外的信息。

样式属于玩家，不属于系统

字幕最终要落在屏幕上，而不同玩家读它的条件天差地别。有人需要更大的字号，有人需要更强的对比度和半透明背景，有人希望字幕靠近画面中心以便一眼扫到，有人恰恰相反，因为画面边缘有关键信息，希望字幕紧贴底部。还有一类常被忽略的玩家，是同时存在听觉和视觉方面需求的：字幕对他们来说，字号和对比度不是偏好，而是能否使用的前提。这也是无障碍不是单一功能的又一个例子。

《游戏无障碍指南》自2012年起为业界提供参考，分基础、中级、高级三档，字幕这类内容适合作为设计的起点。但起点不等于终点：九游会的设计里，字号、颜色、背景、位置、停留时间、方向提示的形式、事件分级的开关，都是玩家可以分别调整并保存成多套配置的，系统只会在合适的时候提出建议，比如“检测到当前场景声音事件较多，是否开启合并显示”，由玩家决定是否采用。对于看不到画面关键目标的玩家，还有另一种信息通道，可参考如何把画面理解变成场景描述。

要判断一套游戏字幕是不是真的可用，可以只问最后一个问题：一个完全关掉声音的玩家，能不能靠字幕在一局里躲开三次背后的脚步声？如果答案取决于运气，那字幕就还只是对白的文字版。