Captions

定义

Captions是一款以人工智能为核心能力的视频创作与编辑应用，开发方为总部设在美国纽约的Mirage^[2][6]。它把若干原本分散的工序集中在同一款工具内：从脚本直接生成口播画面、对已有素材执行自动剪辑、自动识别语音生成字幕，并把成片翻译或配音为其他语言^[1]。

它最初因自动字幕功能得名，随后功能范围扩展到生成式视频与智能剪辑。官方文档把自身描述为面向创作者、营销人员和开发者的视频平台，除移动端应用外，还提供供第三方调用的接口^[1]。Mirage公司将产品定位为处理从原始素材到成片全流程的“代理式”编辑工具^[7]。

原理

字幕生成环节依赖语音识别：系统把视频音轨转写为文字，按语音节奏切分时间轴，再与画面绑定输出可编辑的字幕文件，并允许用户替换字体与配色^[4]。转写结果还能送入机器翻译模块，生成多语种字幕或改写为配音音轨^[1]。

智能剪辑依靠模型对素材的理解。用户上传原始片段后，系统识别可用镜头、决定剪辑点，并叠加辅助画面、音乐与音效，形成可直接发布的版本^[1]。开发方称其专门训练了针对短视频节奏、构图与注意力分布的模型，用于判断镜头长度和画面切换时机^[2]。用户也能以自然语言描述修改意图，由对话式编辑器执行转场、节奏与素材调整^[4]。

在内容生成方面，产品支持由文本脚本直接产出带人物的口播视频，画面中的讲述者可以是内置的虚拟演员，也可以是用户用一张自拍照创建的数字形象；这类形象可更换服装、添加物件与背景，从而在不同视频中重复使用^[4]。图像、视频、声音、音乐与配音等生成任务并非由单一模型完成，应用内可调用来自多家的第三方模型^[8]。

发展历程

该应用于2020年12月1日上线，最初以移动端字幕工具为主要形态^[9]。此后功能逐步扩展，加入眼神校正、多语种配音与AI剪辑等能力^[3]。2025年4月，MiniMax的视频生成模型接入该平台，用于扩充可用的生成内容^[3]。

2025年1月，开发方将商业模式改为免费增值，以应对字节跳动的CapCut与Meta的Edits等竞品^[2]。同年，公司由Captions更名为Mirage，把自身重新定位为研发多种模型的AI实验室，同时继续保留Captions作为面向移动端的应用名称^[6]。

2026年3月，Mirage宣布获得General Catalyst客户价值基金7500万美元成长融资，累计融资额超过1.75亿美元，资金用于推进代理式视频创作并向亚洲市场扩张^[5][7]。据分析机构Appfigures的数据，此前365天内该应用下载量超过320万次，应用内收入为2840万美元^[2]。

应用

常见用途集中在短视频与社交平台内容生产。用户可将长视频拆成多个片段并套用统一字幕样式，也可把播客等音频类内容改造成适合竖屏发布的视频^[1]。成片可按1080p导出并直接投放到TikTok、Instagram与YouTube等平台^[1]。

跨语言传播是另一类场景。应用支持把配音输出为30种以上语言，并保留使用者原本的口音特征，字幕翻译覆盖的语言数量更多^[1][2]。

使用者既包括个人创作者与小型商户，也包括营销团队。开发方披露的客户中可见HubSpot、CoreWeave与King等企业^[5]。另有面向企业的网页端营销套件，侧重批量生产与分发视频，开发方计划将其与移动端应用合并^[2]。

局限

能力覆盖范围受订阅档位限制。生成图像、视频、声音与音乐所调用的模型并非全部开放，免费与低档用户可用的模型明显少于高档方案，这一差异在产品文档中以对照表列出^[8]。

自动字幕与配音的准确度依赖语音识别与翻译模型，对中英之外的小语种、强背景噪声或多人重叠说话的素材，结果仍需人工校对，产品说明中未给出各语言的准确率指标^[4]。

生成式功能带来内容真实性方面的问题。数字分身与虚拟演员使人物可以在未实际出镜的情况下出现在视频中，使用他人肖像、声音或伪造发言存在被误用的风险；平台对生成内容的标识与使用边界主要依据服务条款，公开文档未给出具体技术措施^[4]。此外，自动剪辑偏好的镜头节奏与风格面向短视频场景，用于长片或叙事结构复杂的作品时适配性有限^[2]。

参见

• 语音识别 —— 自动生成字幕所用到的核心技术。

• 机器翻译 —— 字幕与配音跨语种转换的基础。

• 生成式人工智能 —— 文生视频、数字分身等功能的模型来源。

• 数字人 —— 由单张照片生成可复用虚拟形象的相关概念。

• 短视频 —— 该产品主要服务的视频形态与传播场景。