什么是 srv3？YouTube 彩色卡拉 OK 字幕的格式

srv3 是 YouTube 自己的字幕格式，也叫 YouTube Timed Text，扩展名通常是 .srv3 或 .ytt。和最常见的 SRT 不同，srv3 能记录文字颜色、描边、在画面上的位置以及每个字的时间，所以 YouTube 上那些跟着歌声变色的卡拉 OK 字幕，几乎都是用 srv3 做的。

srv3 这个名字的由来

YouTube 的字幕系统内部把这种格式叫作“srv3”（第 3 版），文件的根元素里就写着 format="3"。用 yt-dlp 下载字幕时选择 srv3 格式，得到的就是这种文件。制作彩色字幕的社区工具（例如 YTSubConverter）则习惯叫它 YouTube Timed Text，保存为 .ytt。两者内容相同，只是扩展名不同。

YouTube 官方的“支持的字幕文件格式”说明里没有列出 srv3，但实际上可以在 YouTube Studio 上传，社区用这种方式制作彩色字幕已经很多年了。

文件长什么样

srv3 是 XML 文本文件。<head> 里定义样式，<body> 里是一句一句的字幕：

<?xml version="1.0" encoding="utf-8" ?>
<timedtext format="3">
<head>
<pen id="0"/>
<pen id="1" fc="#FFFFFF" ec="#000000" et="3"/>
<pen id="2" fc="#5B8CFF" ec="#000000" et="3"/>
<pen id="3" fo="0" bo="0"/>
<ws id="0"/>
<wp id="0"/>
<wp id="1" ap="7" ah="50" av="95"/>
</head>
<body>
<p t="1000" d="2000" wp="1"><s p="3">&#x200B;</s>&#x200B;<s p="1">Sing along</s></p>
</body>
</timedtext>

<pen>：文字样式。fc 是文字颜色，fo 是文字不透明度，ec 是描边颜色，et 是描边类型，sz 是字体大小（百分比），fs 是字体，b、i、u 是粗体、斜体、下划线。
<wp>：画面位置。ap 是锚点（0～8，对应九宫格），ah、av 是水平、垂直位置的百分比。
<ws>：窗口样式，例如文字对齐方式。
<p>：一句字幕。t 是开始时间，d 是持续时间，单位都是毫秒。
<s>：字幕里的一段文字，p 指定使用哪个 pen。

示例里有两处是为了适配 YouTube 而加的，不影响画面：

id 为 0 的空定义：iOS App 会忽略第一个 pen 的背景设置，所以每种定义的第一个都放一个不使用的空项。
字幕开头的 ： 是看不见的零宽空格。开头先放一段使用透明 pen 3 的零宽空格，再放一个不属于任何 <s> 的零宽空格，YouTube 才会保留歌词那一段的样式（原因见下文“在 YouTube 上的限制”一节）。

字体

srv3 不能写字体名称，fs 只能从 YouTube 提供的 7 种字体中选一种：

`fs`	字体	类型
不写或 0	Roboto	默认
1	Courier New	等宽衬线
2	Times New Roman	衬线
3	Lucida Console	等宽无衬线
4	Roboto	无衬线
5	Comic Sans MS	休闲
6	Monotype Corsiva	手写
7	Carrois Gothic SC	小型大写

这些都是西文字体，不包含中文、日文、韩文字符。中日韩文字会改用设备上的其他字体显示，所以换了字体以后，中日韩文字可能看不出变化，只有英文和数字会变。

和 SRT、WebVTT、ASS 的区别

功能	SRT	WebVTT	ASS	srv3
文字颜色	部分播放器支持 `<font color>`	支持	支持	支持
描边、阴影	不支持	有限	支持	支持
画面上的位置	不支持	支持	支持	支持
逐字时间（卡拉 OK）	不支持	支持（行内时间标记）	支持（`\k`）	支持
能否上传到 YouTube	可以	可以	不行	可以

ASS 是功能最多的字幕格式，动漫字幕组很常用，但 YouTube 不接受 ASS。想在 YouTube 上保留颜色、位置和卡拉 OK 效果，就要转换成 srv3。

卡拉 OK 效果是怎么实现的

srv3 没有“这个字在第几秒变色”的标签。卡拉 OK 效果是用一连串重复的字幕实现的：同一句歌词拆成很多条字幕，每一条都比上一条多一个字显示为“已唱”的颜色。

为了方便阅读，下面省略了开头的零宽空格：

<p t="1000" d="400"><s p="2">Sing</s><s p="1"> along</s></p>
<p t="1400" d="1600"><s p="2">Sing along</s></p>

上面两条字幕前后相接：1 秒时 Sing 先变色，1.4 秒时整句都变色。逐字时间越细，拆出来的字幕就越多，一首歌往往有好几千条，很难手写，需要用工具生成。

srv3 还有另一种写法：给 <s> 加上 t 属性，让每个字到指定时间才出现。YouTube 的自动字幕就是用这种方式一个字一个字显示出来的。

同一个时间点也可以有两条以上的字幕，叠在不同位置或使用不同的描边，做出阴影或双层描边的效果。

在 YouTube 上的限制

以下内容整理自 YTSubConverter 的说明，制作前先了解一下，可以少踩坑：

YouTube Studio 的预览看不到样式。 上传后，Studio 字幕编辑器里显示的是纯文字，这是正常现象。只要不在 Studio 里修改，正式的播放器就会显示样式。如果在 Studio 里改过字幕，样式可能会丢失。
手机 App 的显示效果比较简单。 手机 App 不支持自定义背景（一律是黑色背景），注音和振假名会变成括号里的普通文字。
偏离中央的字幕在影院模式下会往两侧移。 放在画面左右两侧的字幕，在电脑版的影院模式下会更靠边，甚至超出视频范围。
每句第一段的样式可能被去掉。 上传时，YouTube 会删除每条字幕第一段文字的样式设置，除非这条字幕还有不属于任何一段的文字。常见的做法是在开头放看不见的零宽空格，Kara3 导出时会自动处理。
只有 7 种字体可选。 只能使用上面表格里的字体，不能指定其他字体。
字体大小只有四分之一的效果。 sz 设为 200%，实际只会放大到 125%，最小也只能缩小到 75%。

用 Kara3 编辑 srv3

Kara3 是免费、免安装的 srv3 编辑器。它会把重复字幕合并回一句歌词，让你直接修改文字、时间、颜色和位置，导出时再自动生成重复字幕；无法识别的内容会原样保留，不会被破坏。

想从头制作一份卡拉 OK 字幕，可以看《卡拉 OK 字幕制作教程》；手上已经有 SRT 或 ASS 文件，可以看《把 SRT、ASS 转换为 srv3》。