這是通過OCR（Optical Character Recognition，光學字符識別）和文本轉語音技術實現的。
OCR會自動識別視頻中出現的文字，轉換成可編輯的文本，在將其轉化為聲音。
這種技術在一些視頻制作軟件中被廣泛應用。

識別字幕聲音需要使用語音識別技術和自然語言處理技術。以下是一些可能的步驟：

1. 收集視頻和字幕文件。字幕文件可以是SRT、VTT、ASS等格式。

2. 使用語音識別技術將視頻中的音頻轉換為文本。這可以使用開源工具如CMU Sphinx或商業工具如Google Cloud Speech-to-Text。

3. 使用自然語言處理技術將文本與字幕文件進行匹配。這可以使用開源工具如NLTK或商業工具如Amazon Comprehend。

4. 將匹配的文本與視頻進行同步，生成新的字幕文件。

需要注意的是，語音識別和自然語言處理技術都有一定的誤差率，因此生成的字幕文件可能會有一些錯誤。