Как сделать субтитры, которые точно попадают в речь, и вшить их в ролик?

Равномерно разбить сценарий по времени не получится: диктор ускоряется, делает паузы, а музыка вступает раньше. Субтитры «уплывут».

Рабочая схема:

1. Готовая дорожка голоса — запись или синтез, уже в финальной длительности.
2. Распознавание с таймингами. Whisper (открытая модель OpenAI, лицензия MIT) выдаёт текст с метками времени по фразам, а с опцией --word_timestamps True — и по словам. Есть ускоренные реализации, например faster-whisper.
3. Сверка со сценарием. Модель ошибается в названиях брендов, терминах, числах. Агент заменяет распознанные слова на слова сценария, сохраняя тайминги.
4. Отрисовка. В HyperFrames или Remotion субтитры становятся клипами со временем начала и длительностью — фирменным шрифтом, с подсветкой текущего слова. В HyperFrames для титров есть готовые skills и блоки.
5. Файл SRT — если площадка принимает отдельные субтитры.

Для коротких вертикальных роликов — 1–4 слова на экране, крупно, в безопасной зоне, а не две строки внизу, как в кино.