Captions

Captions 是一款由 Mirage 开发的 AI 驱动视频创作与编辑应用。Mirage 是一家位于纽约的公司，由 Gaurav Misra 和 Dwight Churchill 于 2021 年创立。该应用旨在自动化短视频制作中最耗时的环节：添加动画字幕、校正眼神接触、消除语气词、将视频配音为其他语言，以及无需拍摄即可生成基于虚拟人的广告。截至 2024 年 7 月，该公司完成了由 Index Ventures 领投的 $60M C 轮融资，估值达到 $500M，平台注册创作者达 1000 万，每月制作 350 万个视频。2026 年 3 月，母公司更名为 Mirage，并从 General Catalyst 额外筹集了 $75M，报告显示累计创建视频达 2 亿个，应用内收入达 $28.4M。

其核心功能集涵盖了在单一设备上的完整制作闭环：带提词器辅助的录制模式、AI Edit（一键应用风格）、AI Eye Contact 校正（在后期将视线重新对准镜头）、AI Filler Word Removal（从音轨中消除“嗯”、“啊”等犹豫的语气词）、AI Dubbing（支持 28 种语言的语音克隆翻译及唇形同步）、AI Twins（基于用户形象构建的数字虚拟人）、AI Ads（根据产品 URL 生成多个 UGC 风格的广告变体），以及 AI Shorts（从长视频中自动提取最具吸引力的片段）。字幕样式涵盖 100 多种动画格式，并带有卡拉OK式的逐词高亮效果。Scale 层级和 Enterprise 计划包含用于程序化视频生成的 API 访问权限。

Captions 在 2026 年 5 月的输出能力

Captions 围绕短视频构建，主要针对 TikTok、Instagram Reels 和 YouTube Shorts 的垂直片段，尽管在 2024 年底也添加了针对 YouTube 的 16:9 横屏导出功能。AI Edit 流程可接收原始的口播视频，并在一次操作中自动应用场景剪辑、B-roll 插入、缩放效果、字幕叠加和音频清理。据报告，在支持的 28 多种语言中，字幕准确率达到 93-99%，其中最高准确率适用于清晰、无口音的英语，而对于地方方言和非标准语音，准确率会有所下降。

AI Creator 允许用户使用 3D 虚拟人根据文本脚本生成全新的口播视频，完全无需拍摄。AI Twin 则通过用户上传的简短真实视频片段训练出专属的数字虚拟人，从而实现个性化。AI Ad Generator 接收产品链接和选定的脚本基调，然后生成多个结合了虚拟人播报、字幕和品牌元素的完整广告变体，专为 Meta 和 TikTok 的直接响应广告位设计。2026 年 3 月，Mirage 发布了新的音频模型，在生成和配音的视频中保留了口音特征，解决了国际创作者之前指出的配音输出听起来过于中性化的问题。

"眼神接触功能彻底改变了游戏规则。我可以看着笔记读，而看起来却不像是在念稿子。" -- iOS App Store 评论者，2025

2025 年 4 月发布的 Mirage Edit 将 AI Twin 画面与实时录制的片段结合，自动组装成完整的短视频，将剪辑、字幕和动作处理整合为单一操作。Co-Editor 模式（2025 年 8 月添加）允许在共享项目上进行实时协作编辑。转录功能现在支持长达 30 分钟的文件，并且所有付费层级均提供 SRT 导出功能，以满足创作者向平台上传字幕文件的需求。

Captions 与 Submagic 和 Opus Clip 的定位对比

Submagic 和 Captions 在字幕层面上存在显著重叠，但在架构、平台和范围上有所不同。Submagic 是一款基于网页的工具：用户上传预先录制的片段，Submagic 应用动画字幕，然后导出结果。这基本上就是完整的工作流。Captions 是一款原生移动应用，依次涵盖录制、编辑、字幕、配音和虚拟人生成。如果创作者希望从头开始录制、应用 AI 编辑、添加字幕并导出，而完全不使用桌面设备，这描述的正是 Captions 的用例，而非 Submagic。Submagic 的 Magic Clips 附加组件（在基础计划外加 $12/月）可从长达 30 分钟的长内容中提取病毒式传播的精彩瞬间；Captions 的同类功能（AI Shorts）则被限制在 $24.99/月的 Max 层级，并消耗积分。在字幕多样性方面，Submagic 提供 35 种以上带有情绪响应词效的动画样式；Captions 提供 100 多种样式。Submagic 不包含眼神接触校正、数字虚拟人或语音配音。定价结构也有所不同：Submagic 按视频数量收费（Starter 计划每月 20 个视频，约 $20/月），而 Captions 按每次 AI 操作消耗的积分收费，这在 Pro 层级造成了不可预测性。

Opus Clip 属于不同类别的工具。它的功能是长转短内容重塑：用户上传 30-180 分钟的播客、网络研讨会或 YouTube 视频，Opus Clip 的 Virality Score 算法会分析语音能量、话题过渡，并交叉引用热门社交数据，按预测的参与度对精彩瞬间进行排名，然后自动生成 5-10 个带有分数和字幕的片段。Captions 没有交叉引用热门数据的病毒性评分模型。Opus Clip 不提供录制、虚拟人生成、眼神接触校正或配音功能。实际的区别在于：Opus Clip 适合拥有现有长内容需要重塑的播客或 YouTuber；Captions 适合在移动设备上从头开始生成原创短视频内容的创作者。Opus Clip 的 Starter 计划约为 $9/月，包含 150 分钟的处理时间。对于同时制作这两种格式的创作者来说，这两种工具更多是互补而非竞争关系。有关长内容重塑工作流的更多背景信息，另请参阅 2short.ai 和 Opus Clip。

对于需要桌面优先的字幕工作流以及精细音频编辑的创作者，Descript 提供了一种基于文本的编辑模型，由转录文本驱动剪辑，这在机制上不同于 Captions 的一键式 AI 处理方法。Vizard 介于两者之间，提供基于网页的长转短剪辑，其字幕样式更接近 Submagic 的范围。对于企业级规模的虚拟人视频，HeyGen 提供了更多的虚拟人定制选项和团队许可，适合大规模的企业培训和营销，而 Captions 的 AI Twin 则针对建立个人品牌形象的个体创作者。

"Captions 彻底改变了我的工作流。过去需要一个小时的手动加字幕工作，现在使用 AI Trim 和自动样式只需五分钟。" -- 创作者评论，fahimai.com，2026

使用 Captions 生成视频的真实成本

Free 层级是基础编辑的实用起点，但排除了所有 AI 生成功能。每月 $9.99 的 Pro 计划去除了水印，并解锁了 AI Eye Contact、AI Filler Word Removal 以及完整的字幕样式库，每月提供 200 个积分。积分按每次 AI 操作消耗，并且积分与输出分钟数之间的转换率在编辑工作流中不会预先显示，只有在使用功能后才会显示。这是 Pro 用户最常见的定价投诉：当在同一个片段上结合使用 AI Edit 处理、眼神接触校正和音频清理时，一个看似简单的会话可能会比预期更快地耗尽积分。

每月 $24.99 的 Max 计划增加了 AI Creator、AI Twins、AI Ads、AI Shorts 和配音功能，并提供 500 个积分。对于经常制作基于虚拟人的广告或配音内容的创作者来说，这实际上是最低的功能门槛。每月 $69.99 的 Scale 计划提供 1,400 个积分、优先支持、API 访问权限和早期功能访问权限，适合大规模生成视频的机构或品牌。Scale 上的 API 支持程序化批量生成，对于每周需要 20-50 个变体的广告测试工作流来说，该工具在这里开始具备经济效益。

按年计费可降低每月成本，尽管具体费率并未在定价页面上公开披露。积分不能结转；未使用的积分在每个计费周期重置时过期。与 Submagic 相比，后者的基于视频数量的模型对于提前知道自己输出量的创作者来说更具可预测性。

Captions 经常出现问题的地方

导出可靠性是该平台最持久且被广泛报告的问题。在 Trustpilot、Capterra、Reddit 和独立评论网站上，情况是一致的：用户应用了 AI 编辑，预览看起来正确，执行导出后，输出的音频与视频不同步。这在叠加了多个 AI 处理（在同一个片段上使用 AI Edit 加上眼神接触和语气词消除）的片段上最为频繁，并且在 2023 年至 2026 年的评论中都有出现，这表明这是一个结构性的渲染挑战，而不是一个短暂的错误。

处理速度是第二个主要的摩擦点。视频生成和 AI 编辑渲染可能需要几分钟时间，而同类的桌面编辑器处理这些片段不到 30 秒。在移动应用上，这会在渲染期间锁定界面，迫使创作者等待才能继续。有时间敏感发布计划的用户将其描述为真正的工作流阻碍。

Android 体验明显比 iOS 差。新功能首先在 iOS 上发布，有时甚至独占数周或数月。Android 用户报告了更高的崩溃率、更频繁的导出失败，以及缺少已经在 iOS 上可用的 AI 功能。这是一个平台级的商业决策（在创作者群体中，iOS 产生的每用户应用内收入更高），但它在产品质量上造成了真正的分化，以 Android 为主的创作者应该考虑到这一点。

移动端和网页编辑器之间的跨设备同步不稳定。在移动应用上启动的项目可能无法在网页界面中正确显示，而在网页上进行的编辑可能无法同步回移动端会话。2025 年引入的实时同步功能改善了这一点，但根据持续的用户报告，该问题尚未完全解决。

最佳用例与应避开的场景

Captions 最明显的优势在于适合在 iPhone 上制作大量口播内容的独立创作者。如果一位创作者每周发布 5-10 个短视频，在移动设备上录制，并且需要一致的字幕样式和音频润色而无需雇佣剪辑师，那么每个视频将真正节省大量时间。根据用户报告的估计，根据之前的工作流，每个视频可节省 30 到 90 分钟不等。在 Pro 计划 $9.99/月的价格下，与任何自由剪辑师成本或手动加字幕工作流相比，这笔账都是划算的。

Max 层级对于需要国际影响力的创作者来说很有意义。如果一位创作者用一种语言录制，并希望发布 3-5 种其他语言的配音版本，且保留原声并同步唇形，否则将需要一个配音工作室或复杂的多工具流程。在 $24.99/月的价格下，Max 计划将其整合为一个单一的工作流。Max 计划中的 AI Ads 功能对于运行付费社交广告、希望在没有制作预算的情况下测试多个广告创意变体的 DTC 品牌和独立创业者来说非常实用。

如果您的主要编辑平台是桌面设备，并且在制作截止日期前需要有保障的导出可靠性，请避开 Captions。对于错过交付会带来实际成本的专业工作流来说，其导出失败率太高了。如果您的内容主要是长格式：播客片段、YouTube 随笔、纪录片风格的视频，请避开它。该工具并非为这种格式设计，当源素材超过 5-10 分钟时，时间轴界面会变得很笨拙。如果您主要是 Android 用户，并且功能对等对您的工作流很重要，请避开它——iOS 的优势非常明显，以 Android 为主的创作者将不断遇到 iOS 用户不会遇到的限制。对于桌面优先的工作流，Descript 提供了一种文本驱动的编辑模型，在专业条件下更加稳定。