← 完整教程目录离线阅读器与全文搜索

30|处理长录音:分段、合并与专有名词校正

长录音要先分段,再转写和合并。难点在于模型输入限制、分段边界与时间轴;把每段的文字直接拼接,很容易重复一句话或丢掉片段交界处的词。本包脚本只做本地切分与时间偏移,不替你调用 ASR。

了解原始文件

先保留母版,记录采样率、声道、时长和授权范围。若说话人分别位于不同声道,直接合成单声道会失去分离线索;本篇的分段脚本为了教学统一输出单声道 16kHz PCM,使用前应确认这符合本次识别要求,否则在可信音频工具中保留声道后单独处理。

处理这段获授权的长录音,先查模型的语言、时长和体积限制,再提出分段计划,暂不上传。每段保留在原文件里的起止时间、请求 ID 和转写状态;不要自动重提未知受理的片段。合并时核对重叠语句,不能把每段时间戳都当成从整段录音起算。

本地切分并保存偏移

下面的 120 秒片长、2 秒重叠是教学选择,要根据实际模型限制调整。PCM 体积也必须检查,不能只看时长。

python3 scripts/audio_chunks.py --input ./assets/meeting.wav \
  --out tutorial-output/meeting-chunks --seconds 120 --overlap 2

输出 chunk-0000.wav 等文件与 chunks.json。manifest 中的 offset_seconds 是这段在原录音中的位置;segments_file 表示后续应保存的 ASR 中间结果,此时文件还不存在,transcribed 为 false。脚本没有发网络请求。

每段音频分别使用已验证的 ASR 请求并独立保存回执。先跑一段确认能力、识别效果和费用,再批准余下片段;不要把整个目录一把上传而不设数量和并发边界。重试只针对已确认可重新执行的片段。

保存片段内时间戳

把每段实际返回结果转换为 26 的 start/end/text 数组。先确认这些时间相对于片段起点;若上游返回全局时间,不能再加一次 offset。将中间文件保存为清单中指定的名字,再编辑供合并使用的清单,去除失败或未识别项,不能填空数组冒充已经转写。

python3 scripts/subtitles.py merge \
  --input tutorial-output/meeting-chunks/chunks.json \
  --output tutorial-output/meeting-merged.srt

脚本会加偏移、排序并检查结构。默认拒绝重叠字幕;存在切片重叠时,先人工听取边界,决定保留哪段文本与时间范围,再合并。不要仅按相同字符串去重:讲话者可能真的连续重复同一句话。

专名、说话人与缺失段

用事先整理的词表核对姓名、项目名和缩写,记录不确定词而不是猜。没有可靠说话人分离时,不能为了美观替每句话编造说话者。某一段持续失败时,交付应显示该段时间范围缺失,而不是把前后字幕无缝拼上造成已全部完成的印象。

最终交付合并文本、字幕、片段状态表和必要的缺失/歧义说明。原始音频和全部分段可能包含敏感信息,采用受控保存周期;对外复现只使用自备公开示例。

依据与复现范围

依据:S3、S5、S7。本文使用本包约定的教学文件;模型能力与价格以执行时实际目录为准。线上付费步骤未代用户执行,离线验证结果见 测试报告。通用路径、授权和状态约定见 执行约定。