什麼是 srv3？YouTube 彩色、卡拉 OK 字幕的格式

srv3 是 YouTube 自家的字幕格式，也叫 YouTube Timed Text，副檔名常見 .srv3 或 .ytt。和最常見的 SRT 不同，srv3 能記錄文字顏色、外框、在畫面上的位置，以及每個字的時間，所以 YouTube 上那些會跟著歌聲變色的卡拉 OK 字幕，幾乎都是用 srv3 做的。

srv3 的名稱由來

YouTube 的字幕系統內部把這個格式稱為「srv3」(第 3 版)，檔案的根元素就寫著 format="3"。用 yt-dlp 下載字幕時選 srv3 格式，拿到的就是這種檔案。製作彩色字幕的社群工具 (例如 YTSubConverter) 則習慣稱它為 YouTube Timed Text，存成 .ytt。兩者內容相同，只是副檔名不同。

YouTube 官方的「支援的字幕檔案格式」說明裡沒有列出 srv3，但實際上可以在 YouTube Studio 上傳，社群已經用這種方式製作彩色字幕很多年。

檔案長什麼樣子

srv3 是 XML 文字檔。<head> 裡定義樣式，<body> 裡是一句句字幕：

<?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>：文字樣式。fc 是文字顏色，fo 是文字不透明度，ec 是外框顏色，et 是外框類型，sz 是字型大小 (百分比)，fs 是字型，b、i、u 是粗體、斜體、底線。
<wp>：畫面位置。ap 是錨點 (0～8，對應九宮格)，ah、av 是水平、垂直位置的百分比。
<ws>：視窗樣式，例如文字對齊方式。
<p>：一句字幕。t 是開始時間，d 是持續時間，單位都是毫秒。
<s>：字幕裡的一段文字，p 指定要用哪個 pen。

範例裡有兩個是為了配合 YouTube 而加的，不影響畫面：

id 為 0 的空白定義：iOS App 會忽略第一個 pen 的背景設定，所以每種定義的第一個都放一個不使用的空白項目。
字幕開頭的 ： 是看不見的零寬空格。開頭先放一段用透明 pen 3 的零寬空格，再放一個不屬於任何 <s> 的零寬空格，YouTube 才會保留歌詞那段的樣式 (原因見下方〈在 YouTube 上的限制〉)。

字型

srv3 不能寫字型名稱，fs 只能從 YouTube 提供的 7 種字型中選一種：

`fs`	字型	類型
不寫或 0	Roboto	預設
1	Courier New	等寬襯線
2	Times New Roman	襯線
3	Lucida Console	等寬無襯線
4	Roboto	無襯線
5	Comic Sans MS	休閒
6	Monotype Corsiva	手寫
7	Carrois Gothic SC	小型大寫

這些都是西文字型，沒有中文、日文、韓文的字。中日韓文字會改用裝置上的其他字型顯示，所以換了字型後，中日韓文字可能看不出變化，只有英文和數字會變。

和 SRT、WebVTT、ASS 的差別

功能	SRT	WebVTT	ASS	srv3
文字顏色	部分播放器支援 `<font color>`	支援	支援	支援
外框、陰影	不支援	有限	支援	支援
畫面上的位置	不支援	支援	支援	支援
逐字時間 (卡拉 OK)	不支援	支援 (行內時間標記)	支援 (`\k`)	支援
可以上傳到 YouTube	可以	可以	不行	可以

ASS 是功能最多的字幕格式，常用在動畫字幕組，但 YouTube 不接受 ASS。想在 YouTube 上保留顏色、位置和卡拉 OK 效果，就要轉成 srv3。

卡拉 OK 效果怎麼做出來

srv3 沒有「這個字在幾秒變色」的標籤。卡拉 OK 效果是用一連串重複的字幕做出來的：同一句歌詞拆成很多筆字幕，每一筆都比前一筆多一個字是「已唱」的顏色。

為了好讀，下面省略了開頭的零寬空格：

<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>

上面兩筆字幕前後相接：1 秒時 Sing 先變色，1.4 秒時整句都變色。逐字時間越細，拆出來的字幕就越多，一首歌常有好幾千筆，所以很難手寫，要用工具產生。

srv3 還有另一種寫法：在 <s> 加上 t 屬性，讓每個字在指定時間才出現。YouTube 的自動字幕就是用這種方式一個字一個字跑出來。

同一時間點也可以有兩筆以上的字幕，疊在不同位置或用不同外框，做出陰影或雙層外框的效果。

在 YouTube 上的限制

以下整理自 YTSubConverter 的說明，製作前先了解比較不會踩雷：

YouTube Studio 的預覽看不到樣式。 上傳後，Studio 字幕編輯器裡顯示的是純文字，這是正常的。只要不在 Studio 裡修改，正式的播放器就會顯示樣式。如果在 Studio 裡改過字幕，樣式可能會不見。
手機 App 的顯示比較陽春。 手機 App 不支援自訂背景 (一律是黑底)，注音和振假名會變成括號裡的普通文字。
偏離中央的字幕在劇院模式會往兩側移。 放在畫面左右的字幕，在電腦版的劇院模式下會更靠邊，甚至超出影片範圍。
每句第一段的樣式可能被拿掉。 上傳時，YouTube 會刪掉每筆字幕第一段文字的樣式設定，除非這筆字幕還有不屬於任何一段的文字。常見的做法是在開頭放看不見的零寬空格，Kara3 匯出時會自動處理。
字型只有 7 種可選。 只能使用上面表格裡的字型，不能指定其他字型。
字型大小只有四分之一的效果。 sz 設 200% 實際只會放大到 125%，最小也只能縮到 75%。

用 Kara3 編輯 srv3

Kara3 是免費、免安裝的 srv3 編輯器。它會把重複字幕合併回一句歌詞，讓你直接改文字、時間、顏色和位置，匯出時再自動產生重複字幕；無法辨識的內容會原樣保留，不會被破壞。

想從頭做一份卡拉 OK 字幕，可以看〈卡拉 OK 字幕製作教學〉；手上已經有 SRT 或 ASS，可以看〈把 SRT、ASS 轉成 srv3〉。