探索生成式字幕和字幕样式

一句话判断

✅ 视频播放器的脏活累活被 Apple 底层接管了：设备端 AI 字幕生成和实时样式预览现在对标准播放器“零代码”默认生效。

这场 Session 讲了什么

这场 Session 最值得关注的一件事，就是 Apple 把原本需要开发者手写几百行代码的“AI 字幕生成”和“字幕样式实时预览”，直接塞进了 AVFoundation 底层。以前做视频 App，如果要支持听障人士或者多语言用户，你得自己接 ASR (自动语音识别) 和翻译 API，还得自己画字幕渲染层。现在，只要你的视频源没有自带对应语言的字幕，系统会在设备端自动用 AI 模型生成语音转写或翻译字幕，并且直接在播放界面展示。

对于使用 AVPlayerViewController 或 AVPlayerView 的开发者，这完全是白嫖，你什么都不用做，字幕菜单里就会自动多出一个带 ✨ 图标的 AI 生成选项。对于做自定义播放器的开发者，Apple 也提供了 AVLegibleMediaOptionsMenuController 和 AVPlayerLayer 的新 API，让你能快速把系统级的字幕选择和样式预览菜单嵌进自己的 UI 里。这对做长视频、直播或教育类 App 的团队来说，能省下至少一个月的开发时间。

值得深挖的点

设备端 AI 字幕的“零代码”代价与边界

Apple 敢把 AI 字幕做成默认开启，是因为他们把整个流程藏在了 AVFoundation 的媒体管道里。系统会优先使用媒体包里的人工字幕 (Authored subtitles)，如果没有，才会 fallback 到设备端模型去跑语音转文字 (Speech transcription) 或字幕翻译 (Language translation)。

这种设计的 trade-off 很明显。好处是开发者零成本接入，且数据完全在设备端处理，没有隐私和服务器成本问题。坑在于，你失去了对生成文本的控制权。设备端模型目前主要支持英语语音转写，以及从英语字幕翻译成其他语言。如果你的视频里满是生僻的专业术语，或者口音极重，AI 生成的字幕可能会有错漏，而开发者目前没有 API 去注入自定义词典或进行后处理纠正。它解决的是“从无到有”的可用性 (Accessibility) 问题，而不是“绝对精准”的专业字幕问题。

字幕样式预览的 UX 升级与 API 巧思

以前用户想改字幕颜色或大小，必须切出 App 去系统的“设置 -> 辅助功能”里改，改完再回来看看效果，体验极其割裂。这次引入的字幕样式预览 (Subtitle style preview) 终于把这个流程闭环了。

底层实现上，Apple 用了一个很聪明的占位符机制。当你调用 setCaptionPreviewProfileID 时，系统会暂停渲染原有的视频字幕，在屏幕上打出一个占位文本（如果你 text 传 nil，就显示系统默认的本地化文本）。这个占位文本会应用你正在预览的样式。用户选定后，调用 stopShowingCaptionPreview 恢复原字幕，并用 MACaptionAppearanceSetActiveProfileID 全局生效。这个 API 设计避免了开发者自己去截图或者离屏渲染字幕样式，直接把渲染压力交给了 AVPlayerLayer。

代码片段

1. 获取系统字幕样式并触发预览

场景：在自定义播放器的设置菜单中，列出所有系统字幕样式，并在用户点击时实时预览。

import AVFoundation
import MediaAccessibility

// 获取系统内所有的字幕样式 Profile ID
func loadSubtitleStyles() -> [String] {
    // 拿到系统预设和用户自定义的所有样式 ID
    let profileIDs = MACaptionAppearanceCopyProfileIDs() as? [String] ?? []
    return profileIDs
}

// 在 AVPlayerLayer 上触发样式预览
func previewStyle(profileID: String, playerLayer: AVPlayerLayer) {
    // text 传 nil 会使用系统默认的本地化预览文本
    // position 可以用来偏移预览文本，避免被你的自定义 UI 挡住
    playerLayer.setCaptionPreviewProfileID(
        profileID, 
        position: .zero, 
        text: nil
    )
}

坑：position 参数是相对于默认位置的偏移量，如果你的自定义控制栏在底部，记得给 Y 轴一个向上的负值偏移，否则预览文本会被控制栏挡住。

2. 停止预览并应用最终样式

场景：用户确认了某个字幕样式，关闭菜单并让新样式全局生效。

import AVFoundation
import MediaAccessibility

// 结束预览并应用用户选择的样式
func applyAndStopPreview(profileID: CFString, playerLayer: AVPlayerLayer) {
    // 移除占位文本，恢复视频原本的字幕渲染
    playerLayer.stopShowingCaptionPreview()
    
    // 将选中的样式设为系统活动样式，这会影响到设备上所有支持该特性的 App
    MACaptionAppearanceSetActiveProfileID(profileID)
}

坑：MACaptionAppearanceSetActiveProfileID 是系统级修改，一旦调用，用户在其他 App 里的字幕样式也会跟着变。千万不要在用户只是“滑过”菜单项时调用，必须在明确的“确认/选中”动作后才调用。

最佳实践

全面排查自定义播放器：如果你的 App 用了自定义播放器 UI，赶紧检查是否暴露了字幕选择入口。如果没有，直接实例化 AVLegibleMediaOptionsMenuController 挂载到你的视图上，这是接入 AI 字幕和样式预览最省事的路径。
不要试图拦截或修改 AI 字幕：目前 AVFoundation 没有提供拦截生成式字幕文本的回调。如果你的业务强依赖字幕的准确性（比如医疗、法律视频），请务必在媒体打包阶段提供高质量的人工字幕 (Authored subtitles)，系统会优先使用你提供的字幕。
合理布局预览文本：在调用 setCaptionPreviewProfileID 时，务必计算好底部播放器控制栏的高度，通过 position 参数上移预览文本，确保用户在调整样式时能看清完整的预览效果。

还有什么值得关注

UI 标识：AI 生成的字幕在菜单中会带有一个 Sparkle (✨) 图标，翻译生成的还会带有 “Translated” 标签，方便用户区分人工字幕和 AI 字幕。
全场景覆盖：生成字幕不仅支持 VOD (视频点播) 和本地文件，还直接支持 HLS (HTTP Live Streaming) 直播流，这对做赛事或新闻直播的 App 是巨大利好。
跨端一致性：除了 iOS 和 macOS，tvOS 和 visionOS 27 也同步支持了英语语音转写字幕，大屏设备的无障碍体验得到了补齐。