# 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。

```bash
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](26-transcript-subtitles.md) 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。

```bash
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](../SOURCES.md)。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](../verification/REPORT.md)。通用路径、授权和状态约定见 [执行约定](../common/EXECUTION.md)。
