WebVTT字幕格式

[时间：2019-05] [状态：Open]

[关键词：字幕，vtt，webvtt, 文件格式，cue，css]

0 引言

WebVTT(Web Video Text Tracks)，通过HTML5中的元素来标记额外的文字轨资源。其早期版本是基于SRT格式的，轻量级、基于XML的标准，故又名WebSRT(Web Subtitle Resource Tracks)。在2011年改为WebVTT，并在HTML5草案报告中发布。目前WebVTT标准依然是处于草案阶段，但其基本功能已被多数浏览器支持。

我接触到WebVTT是因为HLS中字幕流默认都是WebVTT格式，可外挂多国字幕，简单方便，并支持被HTML5所支持。

本文将主要包含以下内容：

基本文件格式
webvtt和srt对比

1 WebVTT文件结构

WebVTT文件是一个以UTF-8编码，以.vtt为文件扩展名的简单文本文件。其MIME类型为text/vtt。 RFC3629。

WebVTT文件的各部分构成及顺序如下：

可选的BOM头（BYTE ORDER MARK）
"WEBVTT"字符串
可选的空格字符(0x20, SPACE)或者制表符（0x09，TAB），后面可跟任意数目的非LF/CR(0x0A/0x0D)字符
至少两个行结束符
0到多个区域定义块（region definition blocks）、样式块（style block）或注释块（comment block）（相邻的块之间使用行结束符分割）
0到多个行结束符
0到多个cue blocks（提示信息块）和注释块（相邻的块使用行结束符分割）
0到多个行结束符

其中行结束符包括以下三种类型：

双字符-CRLF (0x0A 0x0D) -- windows风格换行符 \r\n
单个LF（0x0A）字符 \r
单个CR（0x0D）字符 \n

从上述的WebVTT基本结构来看，可以通过开头的WEBVTT字符串来判断该文件是否是WebVTT格式。

后续部分将逐个介绍上面提到的各种块结构。

但请注意除了-->和换行之外，你可以在文本头中使用任何的字符。

2 提示信息块（cue block）

cue是WebVTT文件中最核心的字幕信息块，其具体结构及定义顺序如下：

可选的cur标识符以及单个行结束符
cue时间标记 + 单个行结束符
可选的一个或多个空格符或制表符后跟多个cue settings列表
单个行结束符
cue负载：字符串，不可包含任意"-->"子串 + 单个行结束符
行结束符

我们基本可以认为一个cue block即是一个独立的subtitle。

cue标识符可以是任意长度的字符，但其中不能包含-->和换行符。并且需要保证该标识符在当前文件内全局唯一，它可在脚本或CSS中直接引用。

cue时间标记的基本格式如下：

[hh:]mm:ss.uuu --> [hh:]mm:ss.uuu

其中hh小时是可选的；mm是分钟数，有效范围[0, 59]；ss是秒数，有效范围[0, 59]；uuu是毫秒数，三位，不足三位前面填充0。"-->"前后可以添加任意数量的空格符或者制表符。

cue settings列表包含一到多个cue setting，相邻的cue setting使用空格或制表符分隔。每个cue setting包含以下组件：

cue setting名
可选的冒号符（0x3A）
可选的cue setting值

下表是目前支持的所有cue setting

名称	name	取值及备注
vertical text cue setting	"vertical"	可取值'rl'或'lr'。日语中常用的文本排版方式垂直排版，用于指定左右起始位置
line cue setting	"line"	可取值两种： - 可选的字符串值，"start", "center", "end" - 相对值，百分比（20.5%）或行数（-15）
position cue setting	"position"	可取值两种： - 百分比 - 指定类型字符串，"line-left", "center", "line-right"
size cue setting	"size"	百分比
alignment cue setting	"align"	"start", "center", "end", "left", "right"
region cue setting	"region"	region标识符

cue负载有多重类型，可以是多行，但不能是空行，否则就认为是下一个块了。其中文本支持以下HTML标签：

斜体标签()
加粗标签()
下划线标签()
时间戳标签

00:00:18.500 --> 00:00:20.500

Like a <00:19.000>big-a <00:19.500>pizza <00:20.000>pie

时间戳标签将一句字幕分隔成多个部分，可以用于实现卡拉OK字幕的效果。

典型的cue块内容如下：

hello

00:00:00.000 --> 00:00:10.000

Hello <b>world</b>.

3 注释块

注释是用于对WebVTT文件添加信息的可选组件。注释主要为了阅读文件内容，并不显示给用户。注释可以包括换行符，但不能有空白行即两个连续的换行符，那代表着注释结束。

注释不能包含字符串-–>。

一个注释块由三部分组成：

NOTE字符串
一个或多个空格/制表符或单个换行符
0个或多个字符 + 行结束符，表示注释的内容
行结束符

典型的注释块如下：

NOTE

- I didn’t pay too close attention to

when the cues should start or end.

00:01.000 --> 00:04.000

Never drink liquid nitrogen.

NOTE check next cue

4 区域定义块

区域定义块包含以下构成：

The string "REGION"字符串
0或多个空格符或制表符
单个行结束符
region settings列表
行结束符

region settings列表包含0到多个下表中的组件，顺序随意，相邻组件使用空格符/制表符/行结束符分割，但字符串中不能出现两个连续行结束符。同时需要确保每个组件最多出现一次。

组件名	关键字	取值及描述
region identifier setting	"id"	可取值任意字符，但不能包含空格符及"-->"子串，例如`id:region_left`
region width setting	"width"	取值为百分数，例如`width:65.2%`
region lines setting	"lines"	取值为整数，例如`lines:36`
region anchor setting	"regionanchor"	类坐标点，取值为百分数，例如`regionanchor:(9.8%,6.7%)`
region viewport anchor setting	"viewportanchor"	类坐标点，取值为百分数，同上
region scroll setting	"scroll"	目前仅支持"up"

其具体含义建议参考WebVTT标准文档。

5 样式块

样式块中定了基于CSS的扩展支持。其基本构成如下：

"STYLE"字符串
0到多个空格符或制表符
单个行结束符
字符序列（可换行，但不能有空行，并且不包含"-->"字符串）。这些字符串表示CSS样式列表，其具体含义在CSS标准中定义
行结束符（至少一个空行）

下面是一个示例：

WEBVTT

STYLE

::cue {

  background-image: linear-gradient(to bottom, dimgray, lightgray);

  color: papayawhip;

}

/* Style blocks cannot use blank lines nor "dash dash greater than" */

NOTE comment blocks can be used between style blocks.

STYLE

::cue(b) {

  color: peachpuff;

}

hello

00:00:00.000 --> 00:00:10.000

Hello <b>world</b>.

NOTE style blocks cannot appear after the first cue.

上面例子给出了如何用CSS样式来控制对应字幕的显示。

6 SRT与VTT的区别

WebVTT相比SRT有以下不同：

WebVTT的首行必须是WEBVTT（在可选的UTF-8 BOM后面）
在首行和第一个cue之间预留了可选的头数据
时间码的分隔符使用点号而不是逗号
时间码中的小时是可选的
时间码前面的帧序号或标识符是可选的
以NOTE开头的都被识别为注释
支持JSON格式的Metadata信息
可指定Chapter信息
仅支持UTF-8
Cue settings支持自定义的显示位置

7 小结

本文简要整理了WebVTT文件格式的主要构成以及其中几个关键部件。WebVTT跟SRT类似，只是功能上有一定扩展，并且很好的被HTML5支持，在前端开发中也有一定应用。HLS外挂字幕也是以VTT为主，所以在实际应用中还是值得了解下的。

7.1 参考资料