你大概见过这种图：一位播客嘉宾的近景，下面压着四五句中文，排版很干净，做成 3:4 的长图发到社交平台。
很多人会先盯着字体、留白和主图占比。真开始做才发现，最难看的问题往往不在这些地方：视频本身只有 360p，放大后人脸已经糊成一团；英文原话和中文翻译没对齐；画面里的字幕其实是后来加的，成品却看起来像原片自带；节目能在网上播放，却没人确认过能不能公开再利用。
一张卡片做得精致，不会替这些问题背书。它只是把问题也做得更像成品。
我现在更愿意把引语卡当成一次很小的素材编辑：先查来源，再选句子，最后才是排版。开源项目 native-subtitle-quote-image 把这条路拆得很清楚——真实视频帧、字幕来源和最终画布，是三件不能混在一起的事。对大多数人来说，先过下面三道门，比先找一套漂亮模板有用。
第一门：你的源文件，真的够清楚吗
最容易被忽略的是“看起来还行”和“能被裁成主图”之间差得很远。
假设你拿到一段 640×360 的访谈视频。播放器全屏时似乎也能看，但把嘉宾的脸裁成画面上半部分、再放进 1440×1920 的长图，皮肤、眼神和轮廓都会散掉。导出的长图尺寸变大了，原始画面没有变多。它只是在更大的纸上展示同一份模糊。
所以第一步别看成品画布，直接看源文件。用 ffprobe 或视频属性核对宽高；打开五个相隔较远的时间点，看是不是同一个清晰的人物中近景，有没有明显的镜头变化。对人物引语卡来说，源文件至少 1280×720 才比较值得继续处理；达不到，也不是非做不可。可以换一集、换公开视频源，或者干脆把这段判断留在笔记里。
这个标准不是为了装专业。你要做的是一张靠人脸和一句话停住读者的图，主图本身就是信息的一部分。小窗、屏幕共享、静态封面和远景对谈，即使内容不错，也未必适合这条生产线。
第二门：这行字，到底来自哪里
字幕最怕的不是翻译得不够漂亮，而是来源被混掉。
原生字幕是已经烧录进视频像素的字：你关掉播放器的字幕开关，它还在画面里。处理这种素材时，保留原字、不要 OCR 后重排或偷换语言，读者看到的才仍是那段画面的原貌。
另一种是脚本字幕。比如一段英文访谈，你逐句核对原文和时间点，再把中文翻译后期绘制到真实视频帧上。这完全可以做，但应该写清“后期添加的中文翻译”。它不是原片内嵌字幕，更不能借着相似的样式让人以为嘉宾当时说的就是这句中文。
这件事听上去有点较真，实际上是在替自己省返工。字幕模式一旦先锁定，后面的工作就清楚了：原生模式检查裁切会不会吃掉画面里的字；脚本模式逐句确认时间点、原意、断句和单行长度。两套检查不互相代替。
拿“AI 能加快执行，但不能替人定义问题”这类句子举例。做脚本字幕前，至少回到原片听一遍前后文：他说的是 AI 完全不能判断，还是说判断仍需要人负责？前者和后者差很多。把一句好传播的话从语境里抠出来，通常不是剪辑技巧，而是解释责任出了问题。
第三门：你有资格把它公开发出去吗
能下载、能截帧、能生成，不等于有权公开再发布。公开视频的播放权限、节目素材的使用许可、嘉宾肖像和平台规则，可能分别来自不同地方。尤其是第三方播客，默认把它当作自己的学习材料更稳妥；准备公开发布时，再单独查节目方的使用说明、授权状态和平台要求。
这里别给自己找一个万能答案。即使工具仓库采用 MIT License，它通常也只覆盖代码，不自动覆盖仓库示例中的视频画面、节目内容或出现的人物。工具能做什么，和你能发布什么，是两张不同的清单。
如果来源或范围说不清，最省事的选择往往是停下来。换一段有明确许可的素材，自己录一段解释，或者只写观点不放人物帧。少一张图，不会伤害账号；用一张来路不清的图换一次曝光，才容易把小事拖成麻烦。
过完三门，再做一张能看的卡
素材过关后，排版反而简单。选一张人物表情、视线或手势有信息的中近景做主图；再挑三到四句彼此推进的台词，不要把同一句话拆成五条。中文句子太长时先改断句，别靠缩小字号硬塞。
最后做两次复核：原尺寸看人物是否清楚、时间点和文字是否对应；缩小到手机浏览时常见的大小，看阅读顺序是不是还顺、字幕会不会压过主画面。后一次很重要——许多卡在电脑上看很讲究，到手机里只剩一堆细小的字条。
还有一个很实际的判断：别因为工具一次能吐出十张图，就把十张都发掉。每集挑一张最能代表嘉宾判断的卡就够了。剩下的候选帧和改过的断句留在项目里，等下次需要复核再回看。这样做看上去慢一点，却能避免把“我认真听过这一段”变成“我批量截了很多张”。前者会积累信任，后者只是在制造内容库存。
你可以把检查收成一张小卡：
- 源文件实际分辨率够不够，五个时间点是否都能看清人和场景？
- 这段字是原生字幕，还是已核对的后期脚本字幕？成品有没有如实标注？
- 这句话有没有回到原片核对前后文、含义和时间点？
- 素材的公开使用范围是否查清；没查清时，能否改用自己的素材？
- 原尺寸和手机缩小尺寸各看一遍，检查人物、文字和阅读顺序？
一张引语卡不需要承担“代表整期节目”的任务。它只要把一个值得保留的判断说清，把出处和边界交代明白。先做到这一步，后面无论换字体、改比例还是接入 AI 批量制作，才是在放大一个可靠的东西，而不是把一段模糊素材包装得更像证据。