开源字幕工具链（MIT，TypeScript）：一份 .overtone.json 按词存储台词与说话人，为 16:9、9:16 或任意画幅各自排一份字幕切口；CLI 可转写、重排、烧录与导出，video.js 插件按播放器形状渲染对应切口。官方基准显示其断行规则显著优于按字数填行的传统做法。 定价：免费开源（MIT）；转写按所选服务商 API 计费（官方基准口径 $0.023–0.025/音频分钟），或用 whisper.cpp + Ollama 完全离线。
Overtone 是什么？
Overtone 是 Lont 开源的字幕工具链，解决一个具体而普遍的问题：大多数字幕只按一种画面、一条字数上限排版，16:9 的切口放到 9:16 竖屏就变成「the / of」结尾的碎行，两个说话人还挤在同一条字幕里。Overtone 的答案是换数据结构：一份 .overtone.json 里每个词只存一次（时间+说话人），切口（cut）只是指向这些词的排版方案——所以 16:9 和 9:16 可以各有一份切口，甚至任意自定义画幅都能加，而词与时间永远不会重复存储。
它的断行遵循一套带版本号的规则集：行尾避开 the/of/and 这类虚词（无停顿时），名字和数字不拆行，每个说话人独占字幕，0.5–1.5 秒的停顿强制变成换行——让观众「读到」犹豫。官方基准（20.8 分钟英语素材）显示只有 0.3% 的断行落在无停顿虚词上，而传统按字数填行是 28.8%。
核心功能
- 开放格式：.overtone.json 有完整规范与 JSON Schema，可导出 WebVTT/SRT/纯文本。
- CLI 全流程：transcribe（转写）、recut（重排已有字幕，离线免 API）、burn（烧录）、export、validate、providers 等命令。
- 多引擎转写管线：文本与时间分由不同引擎给出，分歧处由 LLM 复听投票；LLM 只改文本，永远不碰时间戳。
- LLM 编辑器：按你的上下文与词汇表纠错听错的词、标说话人与关键词，不确定的改动进入人工复核清单。
- video.js 插件：五套样式包（clean/social/minimal/high-contrast/lumora），按播放器画幅渲染对应切口。
- Agent Skill：官方提供可放进 .claude/skills/ 的技能，让 Claude Code/Codex 直接操作字幕。
版本/套餐对比
只有一个版本：MIT 开源。成本来自转写服务商：官方基准口径 $0.023–0.025/音频分钟（加 ElevenLabs Scribe $0.029，均为标价）；--dry-run 先估算不上传；--local 走 whisper.cpp + Ollama 完全离线。与商用手幕服务相比，它不做翻译、没有声音标签、没有 GUI 编辑器，媒体上限 2 小时——换来的是格式主权：你的词与时间在自己的文件里，任何切口随时重算。
值不值得用？
如果你只做横屏、对断行无所谓，recut 已有的 SRT 也够用——但那正是它要解决的问题场景。它的甜点区是「一条素材要发横竖两个版」的团队：转写一次，两个画幅各自得到符合阅读规则的切口，竖屏不再出现半句话被劈开的碎行。工程上也克制：LLM 不碰时间戳、规则集带版本号（同词同规则同输出）、文本投票有基准数据背书（WER 5.3% 优于单引擎）。局限同样清楚：非英荷语言的断行规则是中性的，中日泰只到短语级，社区还在极早期（55 星）。
使用建议
- 先拿已有 SRT 跑 recut：离线、免费、无 API，几分钟能看出断行差距。
- 正式转写前用 --dry-run 估算费用；安静场景记得让它换语言重试（基准显示能从 42.9% 降到 32.8%）。
- 竖屏分发用 social 样式包起步，再按品牌微调 CSS。
适合谁用？
推荐：一条素材多画幅分发的短视频团队、字幕组、需要把字幕管线交给 Agent 的开发者（官方 Skill 支持）。可考虑：对字幕断行有强迫症的独立创作者。不推荐：需要翻译、声音标签或 GUI 编辑的用户，以及主要处理中日泰语且对断行质量要求极高的人。
